再见llama.cpp和ollama，mlx-community 开源 Llama-3.3-70B-Instruct-4bit

相信很多使用 Mac 计算机的人都由于没有 Nvidia 显卡而无法体验到 Meta 最新的 Llama-3.3-70B-Instruct 而困扰。多数还在安装 ollama 和 llama.cpp 通过 gguf 来体验 Llama-3.3-70B-Instruct 的神奇。现在 mlx 社区开源了 Llama-3.3-70B-Instruct-4bit ，这是通过 mlx-llm 的方式来运行的。

什么是mlx？

MLX 是 Apple Machine Learning Research 为 Apple silicon 提供的模型训练和服务框架，它包含多种示例：

• 使用 MLX-LM 生成文本，使用 MLX-LM 为 GGUF 格式的模型生成文本；
• 使用 LLaMA 生成大规模文本；使用 LoRA 进行微调；
• 使用 Stable Diffusion 生成图像；
• 使用 OpenAI 的 Whisper 进行语音识别。

使用

pip install mlx-lm

from mlx_lm import load, generate

model, tokenizer = load("mlx-community/Llama-3.3-70B-Instruct-4bit")

prompt="hello"

if hasattr(tokenizer, "apply_chat_template") and tokenizer.chat_template is not None:
    messages = [{"role": "user", "content": prompt}]
    prompt = tokenizer.apply_chat_template(
        messages, tokenize=False, add_generation_prompt=True
    )

response = generate(model, tokenizer, prompt=prompt, verbose=True)

mlx 使用 python 语言在内存回收上会比 llama.cpp 和 ollama 要稳定，但是速度就不会比C++的快。个人觉得 Python 易于开发的特性也非常适合初学者，也不用纠结于 gguf 的量化格式。