跳到正文

端侧模型

可在 iPhone、iPad 和 Mac 上运行的模型，来自 Hugging Face

Hugging Face 上发布的 Core ML 与 MLX 模型，以及 Apple 在那里发布的模型，按最近 30 天的下载量排序。Core ML 模型通过 Apple 的 Core ML 框架在 iPhone、iPad 和 Mac 上运行；MLX 模型面向 Apple 的 MLX 库，主要用于 Apple 芯片的 Mac（MLX Swift 也能在 iPhone 和 iPad 上运行）。每个名称都链接到该模型在 Hugging Face 上的页面。

1,009 个 Core ML 模型、1,693 个 MLX 模型、143 个 Apple 模型，每天根据 Hugging Face 的公开 API 更新。 最后更新：2026-11-02（UTC）。

本月新模型

最近 30 天内创建、点赞最多的模型，涵盖 Core ML、MLX 和 Apple 自家模型。

查看全部新模型

显示 18 / 18 个。

模型任务大小下载量（30 天）
thenlper/gte-smallCore ML句子相似度803 MB144万
gety-ai/gety-embed-v0Core ML基于 intfloat/multilingual-e5-small句子相似度—2,048
shirochenkov90/embeddinggemma-2-coremlCore ML基于 google/embeddinggemma-2句子相似度—321
tamikisg/multilingual-e5-small-coremlCore ML基于 intfloat/multilingual-e5-small句子相似度—171
BidirLM/BidirLM-Omni-2.5B-Embedding-CoreMLCore ML基于 BidirLM/BidirLM-Omni-2.5B-Embedding句子相似度—170
Ruthvikkk/MNLP_M3_document_encoderCore ML句子相似度—120
Ruthvikkk/MNLP_M2_document_encoderCore ML句子相似度—110
novelcore/model15Core ML句子相似度—102
shirochenkov90/embeddinggemma-300m-coremlCore ML基于 google/embeddinggemma-300m句子相似度—97
nikhilgawai007/gte-smallCore ML句子相似度—74
PiterQ/mmlw-retrieval-roberta-large-v2-CoreMLCore ML基于 sdadas/mmlw-retrieval-roberta-large-v2句子相似度—34
vllm-project/gte-smallCore ML句子相似度—34
masahiroid/ruri-v3-130m-coremlCore ML基于 cl-nagoya/ruri-v3-130m句子相似度—32
masahiroid/ruri-v3-310m-coremlCore ML基于 cl-nagoya/ruri-v3-310m句子相似度—26
VAGOsolutions/SauerkrautLM-MoEdernColBERT-1.5M-CoreMLCore ML基于 VAGOsolutions/SauerkrautLM-MoEdernColBERT-1.5M句子相似度—23
VAGOsolutions/SauerkrautLM-MoEdernColBERT-115M-CoreMLCore ML基于 VAGOsolutions/SauerkrautLM-MoEdernColBERT-115M句子相似度—20
VAGOsolutions/SauerkrautLM-MoEdernColBERT-27M-CoreMLCore ML基于 VAGOsolutions/SauerkrautLM-MoEdernColBERT-27M句子相似度—19
tuanda2912/hark-multilingual-e5-small-coremlCore ML基于 intfloat/multilingual-e5-small句子相似度—19

按任务浏览

模型数不少于 5 个的任务都有专页，涵盖 Core ML、MLX 和 Apple 自家模型。

更多端侧模型

如何运行这些模型

  • Core ML：把 .mlpackage 加入 Xcode 项目，或在应用首次需要时下载编译好的模型，再用 Core ML 框架加载。有些仓库自带 Swift 包，模型卡片里会写明。
  • MLX：在 Apple 芯片的 Mac 上，mlx-lm 和 mlx-audio 这两个 Python 包可以按名称加载这些模型；在应用里，MLX Swift 可以在 Mac、iPhone 和 iPad 上运行它们。注意内存：我们实测 4-bit 的 0.5B 模型在 Mac 上峰值约 0.36 GB，更大的模型需要多得多。
  • Apple 自家模型：有些是可直接用于应用的 Core ML 文件；另一些是面向 PyTorch 的研究权重，需要先用 coremltools 转换。

如何阅读此表

  • 下载量是 Hugging Face 统计的最近 30 天数据，不是累计值。Hugging Face 按模型主文件的请求次数计数，所以一次安装可能被计入多次。
  • 大小是 Hugging Face 上该仓库当前全部文件的总和（1 GB = 1,000 MB）。有些仓库同时存放同一模型的多个版本，所以可能比你实际要下载的那一个更大；显示短横线表示还没有测量。
  • 热门是 Hugging Face 自己的近期关注度分数。名称下方的“基于”是该模型的来源模型。
  • 参数量是模型文件中的参数量。标有 * 的数值取自模型名称（例如 27B）：文件里没有参数量，或参数量小得多（打包的低比特文件会这样）。
  • 量化信息读取自模型的标签和名称，未对照文件核实。

使用之前

列表来自 Hugging Face 的公开 API，每天更新。我们不会逐个测试模型。在应用中使用前，请查看许可证并阅读模型卡片：有些许可证限制商业用途，“other”表示条款写在模型卡片里。名称或标签指向成人内容或去除安全限制的模型不会列出；需要登录 Hugging Face 才能下载的受限模型也不会列出。