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 45 / 45 个。

模型任务大小下载量（30 天）
FluidInference/gliner2-5-decide-coremlCore ML基于 fastino/GLiNER2.5-Decide文本分类—312
JohnP1/d1a-e4b-coremlCore ML基于 google/gemma-4-E4B文本分类—259
FluidInference/clef-text-0.6b-coremlCore ML基于 FluidInference/clef-text-0.6b文本分类—238
FluidInference/clef-flash-coremlCore ML基于 Cloudflare/clef-flash文本分类—180
JohnP1/d1a-e2b-coremlCore ML基于 google/gemma-4-E2B文本分类—168
FluidInference/kev-0.8b-coremlCore ML基于 jaredpalmer/kev-0.8b文本分类—147
JohnP1/d1a-e2b-it-qat-coremlCore ML基于 google/gemma-4-E2B-it-qat-w4a16-ct文本分类—145
FluidInference/laya-coremlCore ML基于 convaiinnovations/laya文本分类—142
FluidInference/d1-omni-600m-coremlCore ML基于 LiquidAI/d1-omni-600M文本分类—141
FluidInference/cua-s1-forms-coremlCore ML基于 cua-ai/cua-s1-forms文本分类—139
JohnP1/d1a-e2b-it-coreml-4bitCore ML基于 google/gemma-4-E2B-it文本分类—139
aac6fef/laya-multilingual-coremlCore ML基于 convaiinnovations/laya-multilingual文本分类—118
Pokojaka/modernbert-ja-30m-utterance-taggerCore ML基于 sbintuitions/modernbert-ja-30m文本分类—114
Falconsai/intent_classificationCore ML文本分类—110
apple/ane-distilbert-base-uncased-finetuned-sst-2-englishCore ML文本分类—108
karc14/rv-laya-ft-v2-coremlCore ML基于 convaiinnovations/laya-multilingual文本分类—103
JohnP1/d1a-e2b-it-coremlCore ML基于 google/gemma-4-E2B-it文本分类—90
aac6fef/laya-multilingual-coreml-aneCore ML基于 convaiinnovations/laya-multilingual文本分类—88
spellspeak/audienceCore ML基于 jhu-clsp/ettin-encoder-32m文本分类—84
Orvena/Cue-0.4BCore ML基于 Qwen/Qwen3-0.6B-Base文本分类—83
pipecat-ai/audienceCore ML基于 jhu-clsp/ettin-encoder-32m文本分类—80
faxenoff/code-daemon-relation-v1Core ML基于 hotchpotch/mMiniLMv2-L12-H384文本分类—75
JohnP1/d1a-e4b-it-coreml-4bitCore ML基于 google/gemma-4-E4B-it文本分类—69
FluidInference/intern-decision-0.8b-coremlCore ML基于 internlm/Intern-Decision-0.8B文本分类—63
FluidInference/decision-modernbert-base-coremlCore ML基于 answerdotai/ModernBERT-base文本分类—57
NagaYu/crowd-anon-0.1bCore ML文本分类—54
aac6fef/laya-multilingual-coreml-adaptive-fp16Core ML基于 convaiinnovations/laya-multilingual文本分类—52
aac6fef/laya-coremlCore ML基于 convaiinnovations/laya文本分类—51
FluidInference/intern-decision-0.8b-showdown-coremlCore ML基于 internlm/Intern-Decision-0.8B文本分类—49
aac6fef/laya-typed-decisions-coremlCore ML基于 convaiinnovations/laya-typed-decisions文本分类—47
aac6fef/laya-typed-decisions-coreml-adaptive-fp16Core ML基于 convaiinnovations/laya-typed-decisions文本分类—46
faxenoff/code-daemon-denoise-v1Core ML基于 intfloat/multilingual-e5-small文本分类—43
aac6fef/laya-coreml-adaptive-fp32Core ML基于 convaiinnovations/laya文本分类—41
j-llm/jevliteCore ML基于 answerdotai/ModernBERT-base文本分类—39
aac6fef/laya-coreml-adaptive-fp16Core ML基于 convaiinnovations/laya文本分类—37
aac6fef/laya-multilingual-coreml-adaptive-fp32Core ML基于 convaiinnovations/laya-multilingual文本分类—32
aac6fef/laya-typed-decisions-coreml-adaptive-fp32Core ML基于 convaiinnovations/laya-typed-decisions文本分类—32
FluidInference/laya-english-coremlCore ML基于 convaiinnovations/laya文本分类—31
FluidInference/gliner2-5-small-coremlCore ML基于 fastino/gliner2.5-small-v1文本分类—29
FluidInference/verdict-coremlCore ML基于 heman10x/rlcd-modernbert-151m文本分类—29
FluidInference/jeff-coremlCore ML基于 knowledgator/gliformer-large-v1文本分类—28
ayjays132/Quantum-NeuralAdaptiveLearningSystemCore ML文本分类—26
suryatmodulus/d1-omni-600m-coremlCore ML基于 LiquidAI/d1-omni-600M文本分类—26
wiktorwojcik112/ProgrammingLanguageIdentificationCore ML文本分类—26
FluidInference/kev-0-5b-coremlCore ML基于 Qwen/Qwen2.5-0.5B文本分类—22

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。