Skip to main content
Cette documentation se concentre sur l’usage de MLX sur Mac avec Apple Silicon. Le projet MLX a évolué au-delà de ce périmètre, mais ici nous privilégions le parcours le plus utile pour un développeur Swift ou Python dans l’écosystème Apple.

​
Qu’est-ce que MLX ?

MLX est un framework open source créé par Apple pour le calcul numérique et le machine learning. Il expose des API en Python, Swift, C++ et C. Pour ce site, retenez surtout trois idées :
  1. MLX est adapté aux machines Apple Silicon.
  2. Il sert autant à l’inférence qu’au fine-tuning.
  3. Il s’intègre bien avec un workflow mixte Swift + Python.
Si vous voulez charger des modèles open weight, les exécuter localement, les quantifier ou les adapter à votre cas d’usage, MLX est une base solide.

Repo officiel MLX

Le framework principal, maintenu dans l’organisation ml-explore.

Documentation MLX

Référence technique pour les API et l’installation.

MLX Community

Modèles déjà convertis et quantifiés pour MLX.

Guide Foundation Models

Le framework système d’Apple pour l’IA intégrée dans vos apps Swift.

​
Pourquoi MLX intéresse les développeurs Apple

​
Une mémoire unifiée plus simple à exploiter

Sur Apple Silicon, CPU et GPU partagent la même mémoire physique. MLX s’appuie sur cette architecture pour éviter une grande partie des copies que vous gérez ailleurs plus explicitement. 
import mlx.core as mx

x = mx.array([1, 2, 3, 4])
y = mx.square(x)

with mx.stream(mx.cpu):
    total = mx.sum(x)
Vous manipulez les tableaux avec une API proche de NumPy, sans passer votre temps à déplacer les données entre plusieurs espaces mémoire.

​
Une API pensée pour le calcul moderne

MLX combine :
  • des tableaux et opérations vectorisées
  • des modules de réseau de neurones
  • l’autodifférentiation
  • la compilation et l’évaluation différée de certaines opérations
Si vous venez de NumPy, PyTorch ou Swift for TensorFlow, la logique générale reste familière.

​
Un bon point d’entrée pour les LLMs sur Mac

Dans la pratique, beaucoup de développeurs découvrent MLX via mlx-lm, le package de l’écosystème qui simplifie :
  • le chargement de modèles
  • la génération de texte
  • la quantification
  • le fine-tuning LoRA et QLoRA
  • l’exposition d’un serveur local compatible API

​
Ce que MLX n’est pas

MLX n’est pas le framework système qui vous donne accès au modèle Apple intégré à l’OS. Pour cela, Apple propose Foundation Models côté Swift. En clair :
  • utilisez Foundation Models si vous voulez exploiter le modèle système Apple dans une app Swift
  • utilisez MLX si vous voulez travailler avec vos propres modèles open weight, en Python ou en Swift
Les deux approches sont complémentaires.

​
Comment penser l’écosystème

​
MLX

Le framework de base pour le calcul, les modèles et les opérations bas niveau.

​
mlx-lm

La couche la plus pratique pour les LLMs en Python. C’est souvent votre point d’entrée si vous voulez aller vite.

​
mlx-swift et les exemples Swift

Les briques Swift pour charger des modèles MLX dans une app Apple, généralement avec plus de contrôle mais aussi plus de responsabilités qu’avec Foundation Models.

​
mlx-community

L’organisation Hugging Face où vous trouvez des modèles déjà préparés pour MLX.

​
Quand choisir MLX

Choisissez MLX si vous voulez :
  • exécuter un modèle open weight localement sur Mac
  • fine-tuner un modèle avec LoRA ou QLoRA
  • garder la main sur le modèle, ses poids et sa distribution
  • combiner un backend Python avec une app Swift
Ne partez pas sur MLX en premier si votre besoin est simplement d’ajouter de la génération de texte on-device dans une app Swift moderne et que le modèle système Apple suffit. Dans ce cas, commencez par Foundation Models.

​
La suite logique

  1. Installez mlx et mlx-lm.
  2. Lancez un premier modèle avec la CLI.
  3. Passez ensuite soit vers le fine-tuning, soit vers l’intégration Swift selon votre objectif.

Installation et setup

Préparer un environnement propre pour MLX et mlx-lm.

Prise en main rapide

Générer du texte en quelques commandes.