LLM 推理，为你的 Mac 优化
连续批处理和分层 KV 缓存，直接从菜单栏管理。
junkim.dot@gmail.com · https://omlx.ai/me
安装 · 快速开始 · 功能 · 模型 · CLI 配置 · 基准测试 · oMLX.ai
我试过的每个 LLM 服务器都让我在便利性和可控性之间做选择。我想把常用模型固定在内存中，按需自动切换较重的模型，设置上下文限制，并从菜单栏管理这一切。
oMLX 将 KV 缓存持久化在热内存层和冷 SSD 层之间。即使对话中途上下文发生变化，所有历史上下文仍然保留在缓存中，可跨请求复用，让本地 LLM 在配合 Claude Code 等工具做实际编码时真正变得可用。这就是我做 oMLX 的原因。
从 Releases 下载 .dmg，拖到 Applications 即可。应用支持自动更新，后续升级只需一键完成。macOS 应用不包含 omlx CLI 命令。如需在终端使用，请通过 Homebrew 或从源码安装。
brew tap jundot/omlx https://github.com/jundot/omlx
brew install omlx
# 升级到最新版本
brew update && brew upgrade omlx
# 作为后台服务运行（崩溃时自动重启）
brew services start omlx
# 可选：MCP（Model Context Protocol）支持
/opt/homebrew/opt/omlx/libexec/bin/pip install mcp
git clone https://github.com/jundot/omlx.git
cd omlx
pip install -e . # 仅核心
pip install -e ".[mcp]" # 含 MCP（Model Context Protocol）支持
需要 macOS 15.0+ (Sequoia), Python 3.10+ 和 Apple Silicon（M1/M2/M3/M4）。
从 Applications 文件夹启动 oMLX。欢迎界面会引导你完成三个步骤 — 模型目录设置、服务器启动、首个模型下载。就是这样。要连接 OpenClaw、OpenCode 或 Codex，请参阅集成。
omlx serve --model-dir ~/models
服务器会自动从子目录中发现 LLM、VLM、嵌入模型和重排序模型。任何 OpenAI 兼容客户端都可以连接到 http://localhost:8000/v1。内置聊天 UI 也可在 http://localhost:8000/admin/chat 使用。
如果通过 Homebrew 安装，可以将 oMLX 作为托管后台服务运行：
brew services start omlx # 启动（崩溃时自动重启）
brew services stop omlx # 停止
brew services restart omlx # 重启
brew services info omlx # 查看状态
服务使用默认配置运行 omlx serve（~/.omlx/models，端口 8000）。要自定义，可以设置环境变量（OMLX_MODEL_DIR、OMLX_PORT 等），或运行一次 omlx serve --model-dir /your/path 将设置保存到 ~/.omlx/settings.json。
日志写入两个位置：
- 服务日志:
$(brew --prefix)/var/log/omlx.log（stdout/stderr） - 服务器日志:
~/.omlx/logs/server.log（结构化应用日志）
在 Apple Silicon 上支持文本 LLM、视觉语言模型（VLM）、OCR 模型、嵌入模型和重排序模型。
在 /admin 提供实时监控、模型管理、聊天、基准测试和模型级设置的 Web UI。支持英语、韩语、日语和中文。所有 CDN 依赖已内置，完全支持离线运行。
使用与文本 LLM 相同的连续批处理和分层 KV 缓存堆栈运行 VLM。支持多图聊天、base64/URL/文件图像输入，以及带视觉上下文的工具调用。OCR 模型（DeepSeek-OCR、DOTS-OCR、GLM-OCR）会被自动识别，并使用优化的提示词。
借鉴 vLLM 的基于块的 KV 缓存管理，支持前缀共享和写时复制（Copy-on-Write）。缓存分为两个层级：
- 热缓存（RAM）: 频繁访问的块保留在内存中，实现快速读取。
- 冷缓存（SSD）: 热缓存满时，块会以 safetensors 格式转存到 SSD。下次请求命中相同前缀时，直接从磁盘恢复，无需重新计算 — 即使服务器重启也不会丢失。
通过 mlx-lm 的 BatchGenerator 处理并发请求。最大并发请求数可通过 CLI 或管理面板配置。
支持在 Claude Code 中使用较小上下文模型的上下文缩放。通过缩放上报的 Token 数量，让自动压缩在合适的时机触发，同时提供 SSE keep-alive 防止长时间预填充导致的读取超时。
在同一服务器中加载 LLM、VLM、嵌入模型和重排序模型。通过自动和手动控制的组合管理模型：
- LRU 驱逐: 内存不足时，最近最少使用的模型会被自动卸载。
- 手动加载/卸载: 在管理后台通过状态标识按需加载或卸载模型。
- 模型固定: 固定常用模型使其始终保持加载状态。
- 模型级 TTL: 为每个模型设置空闲超时，在一段时间不活动后自动卸载。
- 进程内存限制: 总内存限制（默认：系统 RAM - 8GB）防止系统级 OOM。
在管理后台直接配置每个模型的采样参数、聊天模板参数、TTL、模型别名、模型类型覆盖等。修改即时生效，无需重启服务器。
- 模型别名: 设置自定义 API 显示名称。
/v1/models返回别名，请求时别名和目录名均可使用。 - 模型类型覆盖: 无论自动检测结果如何，手动设置为 LLM 或 VLM。
从管理后台直接与已加载的模型聊天。支持对话历史、模型切换、深色模式、推理模型输出，以及 VLM/OCR 模型的图片上传。
在管理后台中直接搜索和下载 HuggingFace 上的 MLX 模型。浏览模型卡片、查看文件大小，一键下载。
在管理后台中一键设置 OpenClaw、OpenCode 和 Codex。无需手动编辑配置文件。
从管理后台一键运行基准测试。测量预填充（PP）和 Token 生成（TG）的每秒 Token 数，包含部分前缀缓存命中测试以获得真实的性能数据。
原生 PyObjC 菜单栏应用（非 Electron）。无需打开终端即可启动、停止和监控服务器。包含持久化服务统计（重启后保留）、崩溃自动重启和应用内自动更新。
OpenAI 和 Anthropic API 的直接替代品。支持流式使用统计（stream_options.include_usage）、Anthropic adaptive thinking 和视觉输入（base64、URL）。
| 端点 | 说明 |
|---|---|
POST /v1/chat/completions | 聊天补全（流式） |
POST /v1/completions | 文本补全（流式） |
POST /v1/messages | Anthropic Messages API |
POST /v1/embeddings | 文本嵌入 |
POST /v1/rerank | 文档重排序 |
GET /v1/models | 列出可用模型 |
支持 mlx-lm 中所有可用的函数调用格式、JSON Schema 验证和 MCP 工具集成。工具调用需要模型的聊天模板支持 tools 参数。以下模型系列通过 mlx-lm 的内置工具解析器自动检测：
| 模型系列 | 格式 |
|---|---|
| Llama、Qwen、DeepSeek 等 | JSON <tool_call> |
| Qwen3.5 系列 | XML <function=...> |
| Gemma | <start_function_call> |
| GLM (4.7, 5) | <arg_key>/<arg_value> XML |
| MiniMax | Namespaced <minimax:tool_call> |
| Mistral | [TOOL_CALLS] |
| Kimi K2 | <|tool_calls_section_begin|> |
| Longcat | <longcat_tool_call> |
上表未列出的模型，只要聊天模板支持 tools 参数且输出采用可识别的 <tool_call> XML 格式，也有可能正常工作。针对支持工具调用的流式请求，系统会增量发射助手文本，同时隐藏已知的工具调用控制标记；结构化工具调用将在完成整个回合解析后发射。
将 --model-dir 指向包含 MLX 格式模型子目录的目录。支持两级目录结构（如 mlx-community/model-name/）。
~/models/ ├── Step-3.5-Flash-8bit/ ├── Qwen3-Coder-Next-8bit/ ├── gpt-oss-120b-MXFP4-Q8/ ├── Qwen3.5-122B-A10B-4bit/ └── bge-m3/
模型会按类型自动识别。也可以直接在管理后台下载模型。
| 类型 | 模型 |
|---|---|
| LLM | mlx-lm 支持的所有模型 |
| VLM | Qwen3.5 系列、GLM-4V、Pixtral 及其他 mlx-vlm 模型 |
| OCR | DeepSeek-OCR、DOTS-OCR、GLM-OCR |
| 嵌入 | BERT、BGE-M3、ModernBERT |
| 重排序 | ModernBERT、XLM-RoBERTa |
# 已加载模型的内存限制
omlx serve --model-dir ~/models --max-model-memory 32GB
# 进程级内存限制（默认：auto = RAM - 8GB）
omlx serve --model-dir ~/models --max-process-memory 80%
# 启用 KV 块的 SSD 缓存
omlx serve --model-dir ~/models --paged-ssd-cache-dir ~/.omlx/cache
# 设置内存热缓存大小
omlx serve --model-dir ~/models --hot-cache-max-size 20%
# 调整最大并发请求数（默认: 8）
omlx serve --model-dir ~/models --max-concurrent-requests 16
# 使用 MCP 工具
omlx serve --model-dir ~/models --mcp-config mcp.json
# HuggingFace 镜像端点（适用于受限地区）
omlx serve --model-dir ~/models --hf-endpoint https://hf-mirror.com
# API 密钥认证
omlx serve --model-dir ~/models --api-key your-secret-key
# 仅限 Localhost：在管理后台全局设置中跳过验证
以上所有设置也可以在 /admin 的 Web 管理后台中配置。设置保存在 ~/.omlx/settings.json，CLI 参数优先级更高。
架构
FastAPI Server (OpenAI / Anthropic API) │ ├── EnginePool (多模型、LRU 驱逐、TTL、手动加载/卸载) │ ├── BatchedEngine (LLM，连续批处理) │ ├── VLMEngine (视觉语言模型) │ ├── EmbeddingEngine │ └── RerankerEngine │ ├── ProcessMemoryEnforcer (总内存限制、TTL 检查) │ ├── Scheduler (FCFS，可配置并发数) │ └── mlx-lm BatchGenerator │ └── Cache Stack ├── PagedCacheManager (GPU，基于块，CoW，前缀共享) ├── Hot Cache (内存缓存，write-back) └── PagedSSDCacheManager (SSD 冷缓存，safetensors 格式)
git clone https://github.com/jundot/omlx.git
cd omlx
pip install -e ".[dev]"
pytest -m "not slow"
需要 Python 3.11+ 和 venvstacks（pip install venvstacks）。
cd packaging
# 完整构建（venvstacks + 应用包 + DMG）
python build.py
# 跳过 venvstacks（仅代码更改）
python build.py --skip-venv
# 仅 DMG
python build.py --dmg-only
应用包结构和层配置的详细说明请参阅 packaging/README.md。
欢迎贡献！详情请参阅贡献指南。
- Bug 修复和改进
- 性能优化
- 文档改进
- MLX 和 mlx-lm by Apple
- mlx-vlm - Apple Silicon 上的视觉语言模型推理
- vllm-mlx - oMLX 从 vllm-mlx v0.1.0 起步，经过大幅演进，增加了多模型服务、分层 KV 缓存、完整分页缓存支持的 VLM、管理后台和 macOS 菜单栏应用
- venvstacks - macOS 应用包的便携 Python 环境分层
- mlx-embeddings - Apple Silicon 嵌入模型支持
