登入
｜
註冊
｜
會員中心
｜
結帳
｜
培訓課程
魔法弟子
｜
自資出版
｜
電子書
｜
客服中心
｜
智慧型立体會員
書名
出版社
作者
isbn
編號
5050魔法眾籌
|
NG書城
|
國際級品牌課程
|
優惠通知
|
霹靂英雄音樂精選
|
．
手刻Coding A
．
Harness 強大
．
工作學習生活一手包辦
文學小說
文學
｜
小說
商管創投
財經投資
｜
行銷企管
人文藝坊
宗教、哲學
社會、人文、史地
藝術、美學
｜
電影戲劇
勵志養生
醫療、保健
料理、生活百科
教育、心理、勵志
進修學習
電腦與網路
｜
語言工具
雜誌、期刊
｜
軍政、法律
參考、考試、教科用書
科學工程
科學、自然
｜
工業、工程
家庭親子
家庭、親子、人際
青少年、童書
玩樂天地
旅遊、地圖
｜
休閒娛樂
漫畫、插圖
｜
限制級
用 macOS 完整部署地端模型
作者：
胡嘉璽
分類：
電腦與網路
／
AI•人工智慧
出版社：
深智數位
出版日期：2026/9/21
ISBN：9786267889695
書籍編號：kk0613162
頁數：736
定價：
1080
元
優惠價：
79
折
853
元
書價若有異動，以出版社實際定價為準
訂購後立即為您進貨
優惠期限：2026 年 10 月 6 日止
訂購後立即為您進貨：目前無庫存量,讀者下訂後,開始進入調書程序,一般天數約為2-10工作日(不含例假日)。
團購數最低為 20 本以上
評價數：
(請將滑鼠移至星星處進行評價)
目前平均評價：
文字連結
複製語法
<a href='https://www.silkbook.com/book_detail.asp?goods_ser=kk0613162'>用 macOS 完整部署地端模型</a>
圖片連結
複製語法
<a href='https://www.silkbook.com/book_detail.asp?goods_ser=kk0613162'><img src='https://www.silkbook.com/mall_image/bk/kk0613162.jpg' ALT='用 macOS 完整部署地端模型' height='120' width='90'></a>
分
享
內容簡介
作者介紹
書籍目錄
同類推薦
用 macOS 完整部署地端模型 【書籍簡介】 Apple Silicon 的統一記憶體，讓一台 Mac 就能執行過去要靠多張顯示卡才載得動的模型。 全書 25 章的操作、指令與畫面，都在 Mac 上實際執行過。 －128GB 統一記憶體全部可當 GPU 記憶體，單機載入 100B 級模型。 －Ghostty、Homebrew、uv 建好環境，Tailscale 與 macmon 遠端使用與監控。 －Ollama、Open WebUI、LM Studio、llama.cpp 四套推論工具實際操作一遍。 －四個方案同條件量測速度與記憶體，並與雲端 API 及 CUDA 主機對照。 －mlx－lm 直接使用 MLX 框架，從命令列、Python API 到相容伺服器。 －量化原理講清楚，實作 DWQ、AWQ、GPTQ 與 dynamic_quant。 －推測式解碼、量化 KV 快取與 prompt 快取，同一個模型輸出更快。 －mflux、Draw Things、ComfyUI 生圖，實測 FLUX.2、Z－Image 與 Wan 2.2。 －mlx－whisper 轉寫、Kokoro 與 Qwen3－TTS 合成、MusicGen 與 ACE－Step 作曲。 －mlx－vlm 與 FastVLM 看圖看影片，AnythingLLM 與 LightRAG 讀自己的文件。 －Claude Code、goose 接地端模型，sandbox－exec 與 Apple container 隔離。 －Foundation Models framework 呼叫系統模型，exo 與 MLX 分散式組叢集。 －mlx_lm.lora、mflux－train、mlx－lm－lora 微調，nanochat－mlx 從零預訓練。 適合手上已經有一台 Apple Silicon Mac，想把它當成地端 AI 主機使用的開發者與研究者。
第一篇 硬體與系統建置 第1 章 Apple Silicon 與 128GB 統一記憶體 1－1 統一記憶體架構 1－2 模型大小與記憶體 1－3 頻寬與推論速度 1－4 128GB 機型選購 1－5 查看 Mac 硬體規格 1－6 本章小結 第2 章 macOS 系統準備與最佳化 2－1 macOS 版本與更新 2－2 開發工具安裝 2－3 電源與休眠設定 2－4 GPU 記憶體上限調整 2－5 Time Machine 備份 2－6 本章小結 第3 章 終端機與開發環境建置 3－1 終端機 Ghostty 3－2 Homebrew 與基本工具 3－3 Python 環境 uv 3－4 Node.js 與 nvm 3－5 Hugging Face CLI 3－6 Claude Code 3－7 本章小結 第4 章 遠端存取與系統監控 4－1 SSH 遠端登入 4－2 螢幕共享 4－3 Tailscale 4－4 headless 主機 4－5 系統監控 4－6 本章小結 第2 篇 地端模型推論入門 第5 章 Ollama：命令列的模型執行器 5－1 Ollama 與 MLX 引擎 5－2 安裝與第一次執行 5－3 模型庫與引擎實測 5－4 多模態影像輸入 5－5 API 服務與程式呼叫 5－6 本章小結 第6 章 WebUI：瀏覽器裡的模型工作台 6－1 Open WebUI 的定位 6－2 安裝與啟動 6－3 對話與模型對比 6－4 RAG 與知識庫 6－5 工具擴充 6－6 更新與維護 6－7 本章小結 第7 章 LM Studio：雙引擎的桌面模型環境 7－1 LM Studio 的定位 7－2 安裝與第一個模型 7－3 lms 指令列工具 7－4 API 服務 7－5 載入參數調校 7－6 LM Link 與 Locally 7－7 與 Ollama 的比較與選擇 7－8 本章小結 第8 章 llama.cpp：所有工具背後的推論引擎 8－1 llama.cpp 的定位 8－2 安裝與編譯 8－3 GGUF 模型下載 8－4 llama－server 與 WebUI 8－5 效能調校 8－6 GGUF 與 MLX 兩套生態的關係 8－7 本章小結 第3 篇 MLX 推論進階 第9 章 mlx－lm：直接使用 Apple 的機器學習框架 9－1 MLX 框架 9－2 安裝與第一次推論 9－3 mlx－community 模型庫 9－4 Python API 9－5 mlx_lm.server 9－6 本章小結 第10 章 量化：用精度換記憶體與速度 10－1 量化的原理 10－2 mlx_lm.convert 的量化選項 10－3 學習型量化 10－4 品質與速度的實測比較 10－5 量化等級的選擇 10－6 本章小結 第11 章 推論加速：讓同一個模型輸出更快 11－1 推測式解碼的原理 11－2 mlx－lm 的推測式解碼 11－3 KV 快取的記憶體 11－4 prompt 快取 11－5 長脈絡的實測 11－6 本章小結 第12 章 方案比較：公平量測與工具選擇 12－1 公平比較的條件 12－2 四個方案同條件實測 12－3 vLLM 生態在 Mac 上的現況 12－4 與雲端及 CUDA 主機的對照 12－5 選擇的判準 12－6 本章小結 第4 篇 多媒體 AI 生成 第13 章 圖像與影片生成：擴散模型在 Mac 上的三個方法 13－1 生圖模型的技術棧 13－2 mflux：MLX 原生的命令列生圖 13－3 Draw Things 13－4 ComfyUI Desktop 13－5 影片生成 13－6 本章小結 第14 章 音訊、語音與音樂 AI：從波形到 token 14－1 聲音的表示與模型架構 14－2 語音辨識 14－3 語音合成與聲音複製 14－4 即時語音對話 14－5 音樂生成與音訊工具鏈 14－6 本章小結 第5 篇 多模態與 AI Agent 第15 章 視覺語言模型：讓模型看懂圖像與影片 15－1 圖像如何變成 token 15－2 mlx－vlm 的圖片理解 15－3 影片理解 15－4 GUI 與 Apple 官方的 FastVLM 15－5 包成 API：多模態的 OpenAI 相容服務 15－6 本章小結 第16 章 RAG 文件問答：讓模型讀自己的資料 16－1 RAG 的三個零件 16－2 AnythingLLM：零設定的文件問答 16－3 embedding 模型的選擇 16－4 LightRAG：知識圖譜加向量的雙路檢索 16－5 圖譜與向量的分工 16－6 本章小結 第17 章 AI Agent 用地端模型 17－1 Anthropic 相容端點的意義 17－2 Claude Code 接 Ollama 17－3 Claude Code 接 LM Studio 17－4 goose：MCP 原生的開源 agent 17－5 本地模型的 agent 限制 17－6 把 agent 關進沙箱 17－7 本章小結 第18 章 編輯器裡的地端模型與 Vibe Coding 18－1 編輯器接上本機模型 18－2 程式開發的模型選擇 18－3 Vibe Coding 實戰 18－4 本章小結 第6 篇 Apple 生態與多機延伸 第19 章 Foundation Models framework 19－1 系統內建的語言模型 19－2 用 Swift 呼叫系統模型 19－3 第三方模型接進同一套 API 19－4 Core ML、ANE 與 MLX 的分工 19－5 本章小結 第20 章 多台Mac 組成推論叢集 20－1 為什麼要多機 20－2 Thunderbolt 直連與 RDMA 20－3 MLX 分散式 20－4 exo 叢集 20－5 llama.cpp RPC 20－6 方案比較與現實期望 20－7 本章小結 第7 篇 模型微調與訓練 第21 章 用 MLX 微調自己的模型 21－1 微調的方法與記憶體帳 21－2 資料集準備 21－3 用 mlx_lm.lora 訓練 21－4 訓練監控與成果驗證 21－5 合併、轉檔、接回工具 21－6 其他微調框架的現況 21－7 本章小結 第22 章 影像模型的 LoRA 微調 22－1 DreamBooth 與影像 LoRA 22－2 準備訓練圖片與標註 22－3 mflux－train 指令列訓練 22－4 Draw Things 圖形介面訓練 22－5 前後對照與 LoRA 運用 22－6 其他訓練工具的現況 22－7 本章小結 第23 章 PyTorch MPS 後端的微調 23－1 MPS 後端的現況 23－2 transformers 加 PEFT 的 LoRA 微調 23－3 sentence－transformers 微調embedding 23－4 MLX 與 MPS 的選擇 23－5 本章小結 第24 章 偏好對齊：DPO 與GRPO 24－1 三種對齊方法 24－2 mlx－lm－lora 的 DPO 實測 24－3 GRPO 推理訓練 24－4 圖形介面的微調工具 24－5 本章小結 第25 章 從零預訓練一個模型t 25－1 預訓練與微調的差別 25－2 nanochat－mlx 的完整管線 25－3 訓練監控 25－4 其他預訓練工具 25－5 本章小結 附錄A 工具指令速查表 A－1 Ollama A－2 lms(LM Studio CLI) A－3 llama.cpp A－4 mlx－lm 與 MLX 分散式 A－5 多媒體生成與辨識 A－6 Hugging Face 下載 A－7 系統相關 附錄B 推薦模型清單與效能基準 B－1 對話與程式模型 B－2 視覺語言模型 B－3 語音模型 B－4 音樂模型 B－5 影像與影片生成模型 B－6 embedding 模型 B－7 128GB 記憶體對照 附錄C 常見問題與故障排除 C－1 安裝與下載 C－2 記憶體 C－3 推論 C－4 微調 C－5 其他 附錄D 128GB 機型規格速查表 D－1 機型總表 D－2 各機型要點 D－3 選擇建議 D－4 參考資料
Claude Cod
OpenClaw 實
萬顆GPU的訓練：分
現代 AI 全景聖經
AI時代不缺席 －
AI 驅動開發 －
AI 行銷實驗室：創
從 AI Demo
Gemini Not
輕鬆學會Google
為了保障您的權益，新絲路網路書店所購買的商品均享有到貨七天的鑑賞期（含例假日）。退回之商品必須於鑑賞期內寄回（以郵戳或收執聯為憑），且商品必須是全新狀態與完整包裝(商品、附件、內外包裝、隨貨文件、贈品等)，否則恕不接受退貨。
