# Swiftlet：在 Mac 上运行 80B 版 Qwen（内存 4.3 GB），在 iPhone 上运行 35B 版

- 来源：Hacker News 热门（buzzing.cc 中文翻译）
- 作者：leonickson
- 发布时间：2026-08-04 14:32
- AIHOT 分数：81
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.virxact.com/items/cmsebb0mc0kn1ro2ejvmi5lg8
- 原文链接：https://github.com/leonickson1/Swiftlet

## 精选理由

用流式专家加载把 80B 模型塞进手机，具体 RAM 和速度数字让开发者能直接判断自己设备的上限，而不是停留在商详口号。

## AI 摘要

Swiftlet 是一个 Swift + Metal 运行时，可在普通 Apple 设备上运行 Qwen3-Next 和 Qwen3.5/3.6 MoE 混合模型，仅将小型稠密核心驻留内存，按需从存储流式加载路由专家权重。

## 正文

Swiftlet

在普通苹果设备（包括 iPhone）上运行 35B 和 80B 的 Qwen 模型。

Swiftlet 是一个基于 Swift + Metal 的运行时，专为 Qwen3-Next 和 Qwen3.5/3.6 MoE 混合模型家族设计。它只将模型的小型稠密核心常驻内存，并按需从存储中流式加载路由的混合专家（MoE）权重。效果如下：

模型 磁盘占用 峰值内存 解码速度（M5 Mac）

Qwen3.6-35B-A3B，4-bit 18 GB 2.6 GB 7 至 11 tok/s

Qwen3-Next-80B-A3B，4-bit 42 GB 4.3 GB 4.5 至 5 tok/s

35B 版本目前也能在 iPhone 17 上运行，占用约 2.5 GB 内存，速度约为 1 tok/s。据我们所知，这是该级别模型首次在手机上原生运行。

状态：端到端可用。两个模型都能生成正确且经过验证的输出。当前重点是内核速度（解码循环受调度限制，而非 IO 限制，因此有明确的优化空间）。需要坦诚说明一点：每个 token 只有约 3B 参数处于激活状态，因此这些模型在对话和写作上像大模型，但在事实记忆上像小模型。

快速上手：在 Mac 上试用

git clone https://github.com/leonickson1/Swiftlet.git && cd Swiftlet swift build -c release

# Download the 35B container from Hugging Face (resumable): .build/release/swiftlet-repack \ --from-hf Leonickson/Qwen3.6-35B-A3B-qpack \ --output ~/models/qwen3.6-35b.qpack

# Or the 80B (42 GB on disk, still only ~4.3 GB of RAM): .build/release/swiftlet-repack \ --from-hf Leonickson/Qwen3-Next-80B-A3B-qpack \ --output ~/models/qwen3-next-80b.qpack

# Chat (applies the model chat template, disables the reasoning block, # keeps conversation state so follow-ups prefill only the new turn): .build/release/swiftlet chat ~/models/qwen3.6-35b.qpack \ "Who wrote One Hundred Years of Solitude?" "What language did he write it in?"

# One-shot generation with stats: .build/release/swiftlet generate ~/models/qwen3.6-35b.qpack \ --gpu --chat --prompt "Explain expert streaming in one paragraph."

# OpenAI-compatible server (loopback only): .build/release/swiftlet-server --model ~/models/qwen3.6-35b.qpack --port 8080

同样的命令也可以重新打包原始 MLX 检查点（--from-hf mlx-community/... 或 --source /path/to/checkpoint）。

要求：Apple Silicon、macOS 14+ 或 iOS 17+、足够的 SSD 空间存放容器（35B 需要 18 GB，80B 需要 42 GB）。

在手机上试用

35B 模型可在 App Store 上的 Priv AI 应用内于 iPhone 上运行：打开设置，然后进入 Experimental Models，下载模型即可。它会从存储中流式加载并在设备端进行对话，全程无需服务器参与。

Experimental Models 功能随最新版应用一同发布，该版本目前仍在 App Store 审核中，因此可能需要几天才会出现。如果你想今天就体验手机端效果，可以从源码构建应用：该应用在 leonickson1/localLLM 开源。将本仓库克隆到其旁边并命名为 swiftlet，打开 Xcode 项目，然后在你的 iPhone 上运行即可。

工作原理

这些模型每个 token 只激活约 3B 参数。每一层将每个 token 路由到 512 个专家中的 10 个（80B 版本）或 256 个专家中的 8 个（35B 版本）。Swiftlet 的做法是：

将稠密权重常驻内存：注意力、DeltaNet 投影、路由器、共享专家、嵌入向量。4-bit 下约 1.3 GB（35B）或 2.5 GB（80B）；

将成千上万个路由专家（routed experts）重新打包为固定步长（fixed-stride）的数据块，存放在 .qpack 容器中，因此获取一个专家只需对 SSD 执行一次 pread，无需 mmap，也不会引发页缓存抖动；

在有限大小的池中缓存热门专家，采用 LFU 加最近使用（recency）淘汰策略。缓存大小对速度影响甚微（在相同吞吐量下实测命中率为 43% 至 70%），因为 Apple SSD 足以吸收未命中带来的开销；

整个前向传播在 Metal 上运行，使用运行时编译的着色器（runtime-compiled shaders），因此构建时无需 Metal 工具链，同一套代码可直接部署到 iOS。

75% 的层使用 Gated DeltaNet 线性注意力，带有固定大小的循环状态，因此这些层在任何上下文长度下都不会产生不断增长的 KV 缓存。

四种使用方式

Swiftlet 首先是一个库：

Swift 包。将 SwiftletCore 添加到任何 macOS 或 iOS 应用中，即可使用 SwiftletSession 进行聊天，内置流式增量输出、对话缓存、带重复控制的采样，以及内存压力处理。

命令行工具。swiftlet chat 和 swiftlet generate 用于本地使用和基准测试，swiftlet-repack 用于从 MLX 检查点构建容器（支持直接从 Hugging Face 流式下载并支持断点续传）。

服务器。swiftlet-server 在回环地址上提供 OpenAI chat-completions API，因此任何兼容 OpenAI 端点的聊天界面都可以使用流式本地模型。

应用。iOS 上的 Priv AI 将 SwiftletCore 嵌入为其流式模型引擎。终端用户只需点击下载即可开始聊天。这里没有任何东西仅限于终端使用。该应用本身在 leonickson1/localLLM 开源，如果你想自行构建（将本仓库克隆到其旁边，命名为 swiftlet）。

正确性

前向传播的每一层（Gated DeltaNet 循环、门控 GQA 注意力、稀疏 MoE 路由）都通过逐层测试夹具（fixtures）与 mlx-lm 参考实现进行验证，涵盖 f32 和 int4 量化形式。增量解码与整序列处理结果进行比对验证。Metal 内核针对精确的 CPU 参考实现进行测试，快速与标量 GPU 内核均被验证可产生相同输出。容器可与其源检查点进行字节级验证。流式放置不会改变模型语义：专家从缓存或磁盘读取时给出的回答完全一致。

swift test

与 TurboFieldfare 的关系

TurboFieldfare 验证了在 Mac 上对 Gemma 采用专家流式（expert-streaming）方案的有效性，Swiftlet 怀着感激之情采纳了其已发表的若干设计经验：使用 `pread` 将专家流式读入有界槽位池而非 `mmap`；采用 LFU 加近期性（recency）进行驱逐；以固定步长打包专家，使一次读取即一次 fetch；通过将下载字节直接路由到其最终容器位置来完成安装；并在运行时编译着色器。

其余一切均在此从零构建，约 1 万行 Swift 和 Metal 代码，参考 mlx-lm 实现而非 TurboFieldfare 代码：

支持一个架构根本不同的模型家族：Qwen 混合架构，包含 Gated DeltaNet 线性注意力、门控 GQA，以及带共享专家的高稀疏 MoE（TurboFieldfare 运行的是 Gemma，一个经典密集 Transformer）；

在 Metal 中实现 MLX 仿射 int4/int8 分组量化计算，采用字节寻址内核和 64 位偏移以支持数 GB 的分片，提供协作式 simdgroup GEMV 快速路径，以及显式 hazard 管理；

一个经过验证的 CPU 参考实现，以及用于把关每次内核变更的测试夹具基础设施；

.qpack 容器和重新打包器、支持断点续传且带停滞恢复的 Hugging Face 流式安装器，以及下载取消功能；

聊天会话层：对思考型和非思考型 Qwen 变体的模板处理、带存在惩罚和频率惩罚的采样、最小长度和句子补全停止、带增量预填充的对话缓存，以及 iOS 内存压力协调；

端到端的 iPhone 支持，包括应用引擎集成。

colibrì 为缓存和放置策略的思考提供了启发。mlx-lm 始终是正确性参考。

Swiftlet 是与 Claude Code 协作构建的。

许可证

Apache 2.0。模型权重单独下载，并受其自身条款约束（Qwen 模型：Apache 2.0）。参见 THIRD_PARTY_NOTICES.md。