> ## Documentation Index > Fetch the complete documentation index at: https://docsmlx.otterly.dev/llms.txt > Use this file to discover all available pages before exploring further. # Introduction à MLX > Comprendre ce que MLX apporte pour exécuter et entraîner des modèles sur Apple Silicon 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. Le framework principal, maintenu dans l'organisation `ml-explore`. Référence technique pour les API et l'installation. Modèles déjà convertis et quantifiés pour MLX. 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. ```python theme={null} 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. Préparer un environnement propre pour MLX et `mlx-lm`. Générer du texte en quelques commandes.