mlx-examples：基于MLX框架的Apple Silicon示例库，让你在Mac上本地跑通文本、图像与视频工作流
【免费下载链接】mlx-examplesExamples in the MLX framework项目地址: https://gitcode.com/GitHub_Trending/ml/mlx-examples
想在Mac上本地跑Stable Diffusion，PyTorch一加载就把8GB内存吃光了？mlx-examples是Apple官方的MLX框架示例库：把文本生成、图像分割、视频生成这些主流模型搬到Apple Silicon上，代码在M芯片上直接跑通。从MNIST到Wan2.1，每个目录都是独立可运行的完整脚本。
5分钟跑起来：先用MNIST验证环境
仓库里最小的入口是 mnist/main.py，用两层MLP在MNIST手写数字上训练，几十行代码把加载数据、前向、优化器更新、验证的完整循环都走了一遍：
git clone https://gitcode.com/GitHub_Trending/ml/mlx-examples cd mlx-examples/mnist pip install -r requirements.txt python main.py跑起来后控制台按epoch打印测试集准确率和单轮耗时，默认CPU后端，10轮训下来准确率稳定在0.97附近。M系列芯片加--gpu切到Metal后端，速度会明显快一截。看到不断刷新的accuracy数字，环境就算搭好了。
这个仓库能搭出哪些本地AI工作流
图像生成：stable_diffusion/txt2image.py 一行提示词出四张图，默认SDXL turbo两步采样，秒级出图；同目录的 image2image.py 支持图生图编辑。
图像分割：segment_anything 实现了SAM，转换权重后可以对单张图点选分割，或对整个文件夹批量自动生成掩码，notebooks 里附了交互示例。
文本生成：llms/ 目录下有 Llama、Mistral、Mixtral 及 GGUF 格式的最小实现，convert.py 转完权重就能对话，还附了投机解码（speculative_decoding）的完整例子。
语音转写：whisper/mlx_whisper/transcribe.py 把本地音频转成文字，多语言都支持，配 benchmark.py 可以看转写速度。
多模态：clip 做图文匹配，下面的猫图就是它的测试素材；llava/generate.py 能基于图片做对话生成。
视频生成：video/wan2.1/ 是仓库里最新、也最能打的部分，下一节单独展开。
Wan2.1视频生成：10GB到36GB内存的参数怎么调
仓库里最能代表"MLX能跑重活"的是 video/wan2.1/txt2video.py。工作流分三段：T5文本编码器把提示词变成条件向量，DiT扩散变换器对81帧latent逐步去噪（默认50步），最后VAE解码成像素、ffmpeg存成mp4。
cd video/wan2.1 pip install -r requirements.txt python txt2video.py 'A cat playing piano' --output out.mp4默认用1.3B的T2V模型，权重从Hugging Face自动下载。硬件参考（81帧480p、未量化）：1.3B约10GB内存，M4 Max上单步约90秒；14B要约36GB，单步230秒。16GB的机器建议锁死1.3B，追画质再上36GB以上的机型。
常调的参数：--size 832x480 --frames 81控制分辨率和帧数；--guidance 5.0是引导强度，设成1.0会跳过无条件分支、单步开销减半；--quantize压权重省内存；--teacache 0.05会跳过约34%特征相近的步，README实测肉眼几乎无损，阈值到0.25损失就比较明显了。TeaCache的默认阈值写在 wan/pipeline.py 里，想再精细调可以从那入手。图生视频看 img2video.py，给一张首帧图就能出视频。
踩过的坑：内存、权重与慢生成 📌
问题：生成到一半进程被系统杀掉。原因是MLX默认缓存中间张量，1.3B跑480p不加任何优化要占约14GB。解法：加--no-cache把缓存上限置0，能压到约10GB；还不够就叠加--quantize。Stable Diffusion 的思路类似，stable_diffusion/txt2image.py 在--quantize下把文本编码器量化到4bit、UNet量化到8bit，SDXL因此能塞进8GB的Mac Mini。
问题：仓库克隆下来直接跑，报缺权重。原因是仓库只存代码，权重需要下载并转换成MLX格式。各目录的convert脚本负责这一步，比如 llms/llama/convert.py 和 segment_anything/convert.py。如果模型比较热门，Hugging Face上的MLX社区一般已经有转好的checkpoint，可以直接用，省掉转换。
问题：视频生成完却存不了，或SAM报缺库。存视频要求ffmpeg在PATH里；SAM的掩码输出依赖opencv，还要RLE格式的话再加pycocotools。这类报错都来自依赖没装全，不是模型问题。
问题：50步等得想睡觉。两条加速路线：一是换蒸馏权重配--sampler euler --steps 4，步数直接从50砍到4；二是用TeaCache跳冗余计算，0.05阈值是质量和速度之间的甜点，先别急着往0.25上调。
接下来去哪
- 图像方向往 flux/ 走：FLUX生成加LoRA微调，dreambooth.py 给了完整的人物微调流程。
- 想自己微调小模型，看 lora/：在WikisQL数据集上演示参数高效微调，含训练、验证、权重融合全流程。
- 想系统补课，wwdc25/ 里的官方WWDC25教程notebook覆盖了KV Cache、语言模型训练这些基础，代码和练习数据都带好了。
回到开头那个8GB内存告急的场景——量化和缓存调优做完，仓库里主流的工作流在一台普通M系列Mac上都能落地。建议的路径是先从mnist熟悉mx数组和训练循环，再钻进video/wan2.1/把第一个mp4跑出来；到那一步，整个仓库就是你的工具箱了。
【免费下载链接】mlx-examplesExamples in the MLX framework项目地址: https://gitcode.com/GitHub_Trending/ml/mlx-examples
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
