النقاط الرئيسية
- SwiftLM (github.com/SharpAI/SwiftLM) هو خادم استدلال مجاني ومفتوح المصدر، أصلي بلغة Swift، لنماذج MLX — وليس بيئة تطوير متكاملة (IDE) ولا حزمة Python
- مرخّص بموجب رخصة MIT، بحسب ما هو مؤكَّد عبر بيانات الترخيص الوصفية لمستودع GitHub
- يعمل فقط على macOS 14.0 فأحدث على معالجات Apple Silicon (من M1 إلى M5)، بحسب قسم المتطلبات الخاص بالمستودع نفسه — لا يوجد دعم لنظام Windows أو Linux أو لأجهزة Mac بمعالج Intel
- طوّرته SharpAI، وهي منظمة من سيليكون فالي تصف نبذتها على GitHub عملها الأساسي بأنه تطبيق التعلم الآلي على كاميرات المراقبة التقليدية من نوع CCTV/NVR
- يقدّم واجهة برمجة تطبيقات متوافقة بشكل صارم مع OpenAI (
/v1/chat/completions،/v1/models،/health)، بحيث يمكن لكود العملاء الحالي الخاص بـ OpenAI أن يوجَّه إليه مباشرة - يدعم نماذج الرؤية اللغوية (عبر
--vision)، وبالنسبة لبعض إصدارات Gemma-4، إدخال الصوت اللغوي (عبر--audio) - يتضمن بث الخبراء من SSD للنماذج الكبيرة من نوع Mixture-of-Experts، وضغط ذاكرة KV المؤقتة عبر TurboQuant لاستدلال السياقات الطويلة
- يُوزَّع مع SwiftBuddy، وهو تطبيق مرافق مجاني ومفتوح المصدر يُنزّل نماذج MLX من HuggingFace ويشغّلها على الجهاز مباشرة
- 768 نجمة و53 نسخة متفرعة على GitHub حتى وقت كتابة هذه المراجعة (18 سبتمبر 2026)؛ أُنشئ المستودع في 21 مارس 2026، مع إصدارات صدرت بمعدل يوم إلى يومين تقريبًا خلال الأسابيع التي سبقت هذه المراجعة
📍 في جملة واحدة
SwiftLM هو خادم استدلال أصلي بلغة Swift، مجاني ومفتوح المصدر (MIT)، لأجهزة Apple Silicon، يقدّم نماذج MLX عبر واجهة برمجة تطبيقات متوافقة بشكل صارم مع OpenAI دون أي بيئة تشغيل Python، ويُوزَّع مع تطبيق مرافق لنظامي iOS/iPadOS يُسمى SwiftBuddy.
💬 بعبارات بسيطة
SwiftLM هو برنامج يعمل من سطر الأوامر على جهاز Mac بمعالج Apple Silicon، يحمّل نموذج ذكاء اصطناعي ويتيح لتطبيقات أخرى التحدث معه بنفس الطريقة التي تتحدث بها مع خوادم OpenAI — إلا أن كل شيء هنا يعمل على جهازك الخاص، ومُترجَم مباشرة إلى كود Metal أصلي بدلاً من المرور عبر Python. تطبيق مرافق لـ iPhone/iPad يُسمى SwiftBuddy يقوم بشيء مشابه مباشرة على الهاتف.
📌ملاحظة: هذه المراجعة هي الشرح المتعمق المرافق لمدخل SwiftLM في دليل برمجيات LLM المحلية — راجع تلك الصفحة لمعرفة كيف يقارن SwiftLM بسرعة مع عشرات أدوات الذكاء الاصطناعي المحلية الأخرى. تستند هذه المراجعة إلى مستودع SwiftLM الخاص على GitHub وملف README وسجل الإصدارات، وليس إلى اختبارات أداء مستقلة أجرتها PromptQuorum للأرقام التي نشرتها SharpAI.
ما هو SwiftLM؟
SwiftLM هو خادم استدلال مكتوب بالكامل بلغة Swift، يحمّل نماذج ذكاء اصطناعي بصيغة MLX ويقدّمها عبر واجهة برمجة تطبيقات HTTP متوافقة بشكل صارم مع OpenAI — بديل أصلي للخوادم المبنية على Python مثل mlx-lm. يلخّصه وصف GitHub الخاص به بعبارة "Native MLX Swift LLM inference server for Apple Silicon"، ويُترجَم إلى ملف تنفيذي واحد مستقل بذاته بدلاً من أن يتطلب بيئة Python أو مديرًا للبيئات الافتراضية أو مثبّت حزم.
- الوظيفة الأساسية: خادم HTTP محلي يحمّل نموذج MLX واحدًا في كل مرة ويقدّمه عبر نقاط نهاية متوافقة مع OpenAI لإكمال المحادثات
- لغة التنفيذ: Swift، مُترجَمة بنواة Metal للحوسبة على وحدة معالجة الرسومات — دون Python، ودون قفل مفسّر عام (GIL) يُبطئ الطلبات المتزامنة
- المطوّر: SharpAI، منظمة من سيليكون فالي موجودة على GitHub منذ فبراير 2018، تصف نبذتها الخاصة عملها الأساسي بأنه جلب التعلم الآلي إلى كاميرات المراقبة التقليدية من نوع CCTV/NVR
- الإطار الأساسي: إطار عمل MLX للمصفوفات من Apple، عبر نسخ متفرعة مخصصة (
SharpAI/mlx،SharpAI/mlx-c) تضيف تنفيذًا خارج النواة معتمدًا على تعيين الذاكرة، وتذكر SharpAI أنه غير متوفر بعد في مستودعاتml-exploreالرسمية - الترخيص: MIT، بحسب ما هو مؤكَّد عبر بيانات الترخيص الوصفية للمستودع
- الحجم: 768 نجمة على GitHub، و53 نسخة متفرعة، و12 مساهمًا حتى وقت كتابة هذه المراجعة
من يطوّر SwiftLM، وما مدى سرعة تطوره؟
SwiftLM مشروع فتيّ وسريع التطور: أُنشئ مستودعه على GitHub في 21 مارس 2026، وحتى تاريخ نشر هذه المراجعة كان قد أصدر إصدارات موسومة بمعدل يوم إلى يومين تقريبًا في الأسابيع السابقة.
- تاريخ إنشاء المستودع: 21 مارس 2026 — أي قرابة ستة أشهر حتى وقت كتابة هذه المراجعة
- وتيرة الإصدارات الأخيرة: صدرت الإصدارات الموسومة من b703 إلى b711 بين 27 أغسطس 2026 و5 سبتمبر 2026، بمعدل إصدار واحد كل 1.4 يوم تقريبًا خلال تلك الفترة
- المنظمة: SharpAI، أُنشئت على GitHub في فبراير 2018، ومقرها سيليكون فالي بحسب ملفها الشخصي على GitHub
- النشاط الأساسي: بحسب نبذة SharpAI الخاصة على GitHub، ينصبّ تركيز المنظمة الأساسي على "تمكين كاميرات CCTV/NVR ومنظومات المراقبة التقليدية بتقنيات التعلم الآلي" — SwiftLM نفسه ليس منتج مراقبة، بل خادم استدلال عام الغرض أتاحته SharpAI كمصدر مفتوح
- المساهمون: 12 مساهمًا حتى وقت كتابة هذه المراجعة، من ضمنهم أعمال هندسية موثّقة على ميزتي بث الخبراء من SSD وضغط ذاكرة KV المؤقتة عبر TurboQuant
- نسخ MLX المتفرعة المخصصة: تحافظ SharpAI على
SharpAI/mlxوSharpAI/mlx-c، وهما نسختان متفرعتان من إطار عمل MLX الرسمي من Apple، لدعم تنفيذ خارج النواة معتمد على تعيين الذاكرة يذكر ملف README أنه غير متوفر بعد في النسخة الأصلية
ماذا يمكنك أن تفعل مع SwiftLM؟
تتمحور مجموعة ميزات SwiftLM حول تقديم نماذج MLX بأسرع وأكفأ طريقة ممكنة من حيث الذاكرة على أجهزة Apple Silicon، مع عدة ميزات موجّهة تحديدًا لتشغيل نماذج أكبر من أن تتسع بشكل مريح في الذاكرة الموحّدة. إليك ما يفعله كل جزء، بحسب ملف README الخاص بـ SwiftLM على GitHub.
- تقديم متوافق مع OpenAI — يوفّر نقاط النهاية
/v1/chat/completionsو/v1/modelsو/health، بحيث يمكن لحزم تطوير برامج (SDKs) وأدوات OpenAI الحالية أن تشير إلى SwiftLM كبديل محلي جاهز للاستخدام - دعم واسع لعائلات النماذج — يذكر ملف README دعمًا أصليًا لأكثر من 30 عائلة نماذج، من ضمنها Gemma 4/3 وQwen 3.5/3/2.5 وLlama 3.x وMistral/Mixtral وPhi 4/3 وDeepSeek V3 وGLM 4 وFalcon H1، إلى جانب عدة عائلات بحثية أصغر
- نماذج الرؤية اللغوية (VLM) — تعمل عبر العلامة
--vision، وتدعم تحليل صور base64 في الوقت الفعلي لنماذج مثل Qwen2-VL وQwen2.5-VL وPaliGemma - نماذج الصوت اللغوية (ALM) — تعمل عبر العلامة
--audioلبعض إصدارات "Omni" من Gemma-4، عبر فك ترميز حمولاتinput_audioالمتوافقة مع مواصفات OpenAI باستخدام استخراج WAV عبر AVFoundation - ضغط ذاكرة KV المؤقتة عبر TurboQuant — مخطط تكميم غير خطي مخصص (بكتاب رموز Lloyd-Max) بدرجة 3 بتات لذاكرة KV الخاصة بالانتباه، تفيد اختبارات SharpAI الخاصة بأنه أصغر بنحو 3.5 مرة من FP16 مع خسارة دقة شبه معدومة، ويُفعَّل بالعلامة
--turbo-kv - بث الخبراء من SSD — بالنسبة لنماذج Mixture-of-Experts، يبث طبقات الخبراء غير النشطة من قرص NVMe بدلاً من اشتراط وجود النموذج الكامل في ذاكرة الوصول العشوائي، ويُفعَّل بالعلامة
--stream-experts؛ تغطي اختبارات SharpAI الخاصة نماذج بحجم يصل إلى 69.6 جيجابايت (Qwen3.5-122B-A10B) و209 جيجابايت (Qwen3.5-397B-A22B) على جهاز Mac بذاكرة 64 جيجابايت - فك التشفير التخميني والتنبؤ متعدد الرموز (MTP) — يسرّع الاستدلال داخل الذاكرة إما عبر نموذج مسودة صغير منفصل (
--draft-model)، أو دون الحاجة إليه إطلاقًا بالنسبة للنماذج ذات رؤوس MTP الأصلية مثل عائلة Qwen3 - تحكم دقيق في الذاكرة — علامات مثل
--gpu-layersو--prefill-sizeتتيح ضبط مقدار النموذج المقيم على وحدة معالجة الرسومات مقابل كيفية تقسيم المطالبات أثناء التعبئة المسبقة
أمثلة استخدام: ثلاث طرق لاستخدام SwiftLM
هذه سير عمل ملموسة مبنية على العلامات ونقاط النهاية الموثّقة لـ SwiftLM أعلاه — وليست حالات استخدام افتراضية.
تثبيت SwiftLM
يُثبَّت SwiftLM مجانًا، إما كملف تنفيذي جاهز لنظام macOS أو ببنائه من المصدر، وكوده المصدري — إلى جانب كود تطبيق SwiftBuddy لنظام iOS — متاح على GitHub.
Source | Link |
|---|---|
| مستودع GitHub (الكود المصدري، رخصة MIT) | github.com/SharpAI/SwiftLM |
| ملف تنفيذي جاهز لمعمارية macOS arm64 | صفحة الإصدارات |
البناء من المصدر (./build.sh) | تعليمات البناء من المصدر |
| كود تطبيق SwiftBuddy لنظامي iOS/iPadOS (البناء عبر Xcode) | مجلد SwiftBuddy |
| نماذج بصيغة MLX | huggingface.co/mlx-community |
بحسب قسم المتطلبات الخاص بالمستودع نفسه، يحتاج SwiftLM إلى macOS 14.0 فأحدث على معالجات Apple Silicon (من M1 إلى M5)، وأدوات سطر أوامر Xcode، وMetal Toolchain (القابلة للتثبيت عبر xcodebuild -downloadComponent MetalToolchain). SwiftBuddy غير متاح عبر App Store حتى وقت كتابة هذه المراجعة — إذ يتطلب بناؤه Xcode وحسابًا خاصًا بك في Apple Developer، لأن ملف .xcodeproj الخاص به مستبعَد من git ويُعاد توليده محليًا عبر generate_xcodeproj.py.
أسعار SwiftLM وترخيصه
SwiftLM مجاني، دون أي خطة مدفوعة من أي نوع. كل من SwiftLM وتطبيقه المرافق SwiftBuddy مرخّصان بموجب MIT، بحسب ما هو مؤكَّد عبر بيانات الترخيص الوصفية لمستودع GitHub — وهي رخصة مفتوحة المصدر متساهلة لا تفرض أي التزام بنسب الحقوق يتجاوز الإبقاء على إشعار حقوق النشر، ولا تفرض أي التزامات من نوع Copyleft.
- لا اشتراك ولا خطة مدفوعة ولا حدود استخدام يفرضها SwiftLM نفسه
- لا حاجة إلى حساب أو تسجيل لتشغيل الخادم أو تطبيق SwiftBuddy
- تسري رخصة MIT على المستودع بأكمله، بما في ذلك SwiftBuddy، بحسب بيانات الترخيص الوصفية لمستودع GitHub
- التكلفة الحقيقية الوحيدة هي العتاد: يتطلب SwiftLM جهاز Mac بمعالج Apple Silicon يعمل بنظام macOS 14.0 أو أحدث — ولا يعمل على أجهزة Mac بمعالج Intel أو Windows أو Linux
SwiftLM مقابل Ollama
يشغّل كل من SwiftLM وOllama نماذج ذات أوزان مفتوحة محليًا خلف واجهة برمجة تطبيقات متوافقة مع OpenAI، لكنهما يستهدفان أولويات مختلفة — إذ تُحسّن Ollama من أجل دعم واسع للعتاد ولنظام بيئي كبير قائم بالفعل، بينما يُحسّن SwiftLM بشكل ضيّق من أجل أعلى أداء على Apple Silicon وكفاءة في السياقات الطويلة.
الجانب | SwiftLM | Ollama |
|---|---|---|
| المحرك | Swift أصلي، مُترجَم إلى Metal عبر MLX | غلاف Go حول نواة C++ من نوع llama.cpp/GGML |
| المنصات | macOS 14+، معالجات Apple Silicon فقط، إضافة إلى تطبيق مرافق لنظام iOS | macOS وWindows وLinux وDocker؛ معالجات Intel وApple Silicon |
| الاعتماد على بيئة تشغيل | لا يوجد — ملف تنفيذي أصلي واحد، دون Python | لا يوجد — أيضًا ملف تنفيذي أصلي واحد، دون Python |
| صيغة النموذج | HuggingFace safetensors عبر MLX (إصدارات mlx-community) | GGUF عبر مكتبة نماذجه الخاصة ونظام Modelfile |
| ضغط KV للسياقات الطويلة | TurboQuant، أصغر بنحو 3.5 مرة من FP16 (--turbo-kv) | لا توجد علامة مخصصة لضغط KV حتى وقت كتابة هذه المراجعة |
| نماذج MoE الضخمة | بث الخبراء من SSD يشغّل نماذج MoE تتجاوز 100 مليار معلمة بما يفوق ذاكرة الوصول العشوائي | يعتمد على تعيين الذاكرة القياسي لنظام التشغيل، دون وضع بث مخصص |
| النضج | 768 نجمة على GitHub، والمستودع أُنشئ في مارس 2026 | مشروع راسخ بقاعدة تثبيت ونظام بيئي أكبر بكثير |
تعكس هذه المقارنة الميزات الموثّقة علنًا على مستودع GitHub الخاص بكل مشروع، وليست اختبار أداء مستقل أجرته PromptQuorum للإنتاجية الفعلية لأي من الأداتين. إذا كنت بحاجة إلى دعم متعدد المنصات (Windows أو Linux) أو إلى أكبر نظام بيئي متكامل قائم بالفعل، فإن Ollama هو الخيار الأكثر رسوخًا؛ أما إذا كنت مقتصرًا على Apple Silicon وتريد استخلاص أعلى أداء من Swift الأصلي وتوفير في ذاكرة السياقات الطويلة، فإن SwiftLM يستحق التقييم المباشر.
من يجب أن يستخدم SwiftLM؟
ملاءمة SwiftLM تعتمد بشكل كبير على عتادك — فهو مقتصر على Apple Silicon — وعلى مدى تقديرك للأداء الأصلي بلغة Swift وكفاءة ذاكرة السياقات الطويلة مقارنة بنضج النظام البيئي.
المنافسون والبدائل
يقع SwiftLM ضمن مجال صغير لكنه متنامٍ من خوادم استدلال MLX الأصلية والخالية من Python لأجهزة Apple Silicon — إليك كيف يقارن بأدوات أخرى في القطاع نفسه، إضافة إلى تنفيذ Python المرجعي الذي يضع نفسه في مقابله.
Tool | Best known for | Link |
|---|---|---|
| oMLX | خادم استدلال MLX مع تطبيق أصلي في شريط قوائم macOS وذاكرة تخزين مؤقت KV متدرّجة بين RAM وSSD | مراجعة oMLX |
| Rapid-MLX | خادم استدلال MLX أصلي يقدّم أيضًا توليد الصور والفيديو والصوت محليًا | مراجعة Rapid-MLX |
| vLLM (خلفية MLX) | خادم استدلال عالي الإنتاجية، مع خيار خلفية MLX لأجهزة Apple Silicon | مراجعة vLLM MLX |
| mlx-lm | مكتبة Python المرجعية الخاصة بـ Apple لتشغيل نماذج LLM على MLX | شرح mlx-lm |
هذه ليست قائمة شاملة لأدوات الاستدلال الخاصة بـ Apple Silicon — راجع دليل برمجيات LLM المحلية للاطلاع على الفهرس الكامل الذي يُحدَّث بانتظام، بما في ذلك مدخل SwiftLM الخاص في الدليل.
أخطاء شائعة عند تقييم SwiftLM
معظم الالتباس حول SwiftLM ينشأ من الخلط بينه وبين مشاريع أخرى غير مرتبطة تحمل أسماء مشابهة، أو من افتراض أنه يعمل على عتاد لا يدعمه صراحةً.
الأسئلة الشائعة
ما هو SwiftLM؟
SwiftLM (github.com/SharpAI/SwiftLM) هو خادم استدلال مجاني ومفتوح المصدر (MIT)، أصلي بلغة Swift، يشغّل نماذج الذكاء الاصطناعي بصيغة MLX على أجهزة Mac ذات معالجات Apple Silicon عبر واجهة برمجة تطبيقات متوافقة بشكل صارم مع OpenAI، دون أي حاجة إلى بيئة تشغيل Python.
هل SwiftLM مجاني؟
نعم. SwiftLM وتطبيقه المرافق SwiftBuddy كلاهما مجاني ومرخّص بموجب MIT، بحسب ما هو مؤكَّد عبر بيانات الترخيص الوصفية لمستودع GitHub. لا توجد صفحة أسعار ولا حساب ولا خطة مدفوعة.
ما هي متطلبات النظام لتشغيل SwiftLM؟
بحسب قسم المتطلبات الخاص بالمستودع نفسه: macOS 14.0 فأحدث، وجهاز Mac بمعالج Apple Silicon (من M1 إلى M5)، وأدوات سطر أوامر Xcode، وMetal Toolchain. لا يوجد إصدار لنظام Windows أو Linux أو لأجهزة Mac بمعالج Intel.
كيف أثبّت SwiftLM؟
نزّل ملفًا تنفيذيًا جاهزًا لمعمارية macOS arm64 من صفحة Releases الخاصة بالمشروع على GitHub وشغّله مباشرة، أو استنسخ المستودع وشغّل ./build.sh للبناء من المصدر، بحسب ملف README الرسمي.
ما هو SwiftBuddy؟
SwiftBuddy هو تطبيق SwiftLM المرافق المجاني والمفتوح المصدر لأجهزة iPhone وiPad، ينزّل نماذج MLX من HuggingFace ويشغّلها مباشرة على الجهاز عبر MLX Swift. كوده المصدري موجود داخل مستودع SwiftLM؛ يُبنى ويُشغَّل عبر Xcode بدلاً من التوزيع عبر App Store، حتى وقت كتابة هذه المراجعة.
هل يدعم SwiftLM إدخال الرؤية أو الصوت؟
نعم. تشغيل SwiftLM بالعلامة --vision يفعّل نماذج الرؤية اللغوية مثل Qwen2-VL وPaliGemma، والعلامة --audio تفعّل إدخال الصوت لبعض إصدارات "Omni" من Gemma-4، بحسب ملف README الرسمي.
ما هو TurboQuant؟
TurboQuant هو مخطط ضغط ذاكرة KV المؤقتة الخاص بـ SwiftLM، ويجمع بين كتب رموز Lloyd-Max غير الخطية وتنفيذ Metal مُسرَّع بالعتاد. تفيد اختبارات SharpAI الخاصة بأنه يضغط ذاكرة KV المؤقتة إلى نحو 3.5 مرة أصغر من FP16 مع خسارة دقة شبه معدومة، ويُفعَّل بالعلامة --turbo-kv.
ما هو بث الخبراء من SSD؟
هي ميزة تبث طبقات Mixture-of-Experts غير النشطة مباشرة من قرص NVMe إلى وحدة معالجة الرسومات بدلاً من اشتراط إقامة النموذج بالكامل في الذاكرة الموحّدة، وتُفعَّل بالعلامة --stream-experts. تغطي اختبارات SharpAI الخاصة نماذج بحجم يصل إلى 209 جيجابايت تعمل على جهاز Mac بذاكرة 64 جيجابايت.
من يطوّر SwiftLM؟
SwiftLM من تطوير SharpAI، وهي منظمة مقرها سيليكون فالي وموجودة على GitHub منذ 2018، ويتمثل نشاطها الأساسي المعلن في تطبيق التعلم الآلي على أنظمة مراقبة CCTV/NVR. SwiftLM هو خادم استدلال عام الغرض أتاحته المنظمة كمصدر مفتوح بشكل منفصل عن نشاطها الأساسي.
كيف يقارن SwiftLM بـ Ollama؟
يقدّم كلاهما نماذج محلية خلف واجهة برمجة تطبيقات متوافقة مع OpenAI، لكن Ollama يدعم macOS وWindows وLinux بنظام بيئي أكبر بكثير، بينما SwiftLM مقتصر على Apple Silicon ويضيف ميزات أصلية لـ MLX مثل ضغط KV عبر TurboQuant وبث الخبراء من SSD لنماذج MoE الضخمة. راجع مقارنة SwiftLM مقابل Ollama المخصصة أعلاه.
هل اختبرت PromptQuorum مطالبات الأداء الخاصة بـ SwiftLM بشكل مستقل؟
تستند هذه المراجعة إلى مستودع SwiftLM الخاص على GitHub وملف README وسجل الإصدارات، وليس إلى اختبارات أداء مستقلة أجرتها PromptQuorum للأرقام التي نشرتها SharpAI.