MLX Omni Server ist ein lokaler Inferenzserver, der vom MLX-Framework von Apple betrieben wird und speziell für Apple Silicon (M-Serie) Chips entwickelt wurde. Er implementiert OpenAI-kompatible API-Endpunkte, die eine nahtlose Integration mit bestehenden OpenAI SDK-Clients ermöglichen, während er nutzt
Führen Sie KI-Modelle lokal auf Apple Silicon-Geräten mit einer einfachen API aus.
Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.
Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.
Kostenlos · ohne Karte · jederzeit abbestellbarMLX Omni Server ist ein lokaler Inferenzserver, der vom MLX-Framework von Apple betrieben wird und speziell für Apple Silicon (M-Serie) Chips entwickelt wurde. Er implementiert OpenAI-kompatible API-Endpunkte, die eine nahtlose Integration mit bestehenden OpenAI SDK-Clients ermöglichen, während er nutzt
mlx-omni-server hat 734 Sterne auf GitHub. Es wurde 90-mal geforkt. mlx-omni-server ist hauptsächlich in Python geschrieben. Es wird seit 2024 aktiv entwickelt. mlx-omni-server ist unter der MIT-Lizenz verfügbar. Die Hauptthemen sind: function-calling, genai, mlx, openai.
MLX Omni Server ist ein lokaler Inferenzserver, der vom MLX-Framework von Apple betrieben wird und speziell für Apple Silicon (M-Serie) Chips entwickelt wurde. Er implementiert OpenAI-kompatible API-Endpunkte, die eine nahtlose Integration mit bestehenden OpenAI SDK-Clients ermöglichen, während er nutzt
mlx-omni-server ist ein Open-Source-Projekt. Es wird unter der MIT-Lizenz veröffentlicht.
Ja. mlx-omni-server ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.
mlx-omni-server ist unter der MIT-Lizenz verfügbar.
mlx-omni-server ist hauptsächlich in Python geschrieben.
Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.
[](https://olud.ai/project/madroidmaq-mlx-omni-server.html)
Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.