MLX Omni Server es un servidor de inferencia local impulsado por el marco MLX de Apple, diseñado específicamente para chips Apple Silicon (serie M). Implementa puntos finales de API compatibles con OpenAI, lo que permite una integración fluida con los clientes existentes del SDK de OpenAI mientras aprovecha
Ejecuta modelos de IA localmente en dispositivos Apple Silicon utilizando una API simple.
Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.
Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.
Gratis · sin tarjeta · cancela cuando quierasMLX Omni Server es un servidor de inferencia local impulsado por el marco MLX de Apple, diseñado específicamente para chips Apple Silicon (serie M). Implementa puntos finales de API compatibles con OpenAI, lo que permite una integración fluida con los clientes existentes del SDK de OpenAI mientras aprovecha
mlx-omni-server tiene 734 estrellas en GitHub. Se ha bifurcado 90 veces. mlx-omni-server está escrito principalmente en Python. Se desarrolla activamente desde 2024. mlx-omni-server está disponible bajo la licencia MIT. Sus temas principales son: function-calling, genai, mlx, openai.
MLX Omni Server es un servidor de inferencia local impulsado por el marco MLX de Apple, diseñado específicamente para chips Apple Silicon (serie M). Implementa puntos finales de API compatibles con OpenAI, lo que permite una integración fluida con los clientes existentes del SDK de OpenAI mientras aprovecha
mlx-omni-server es un proyecto de código abierto. Se distribuye bajo la licencia MIT.
Sí. mlx-omni-server es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.
mlx-omni-server está disponible bajo la licencia MIT.
mlx-omni-server está escrito principalmente en Python.
Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.
[](https://olud.ai/project/madroidmaq-mlx-omni-server.html)
Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.