¿Qué es oMLX?
oMLX es un servidor de inferencia local para Mac con Apple Silicon que convierte el framework de machine learning MLX de Apple en una pila de servicio completa — una API compatible con OpenAI/Anthropic, un gestor multi-modelo, una caché SSD paginada, y una app nativa de macOS en la barra de menús para controlarlo todo, sin requerir una terminal para el uso diario. Su propia descripción en GitHub lo posiciona como "un servidor de inferencia LLM optimizado para Mac con Apple Silicon, con batching continuo, caché KV por niveles, y una interfaz de gestión nativa en la barra de menús de macOS".
- Función principal: un servidor de inferencia en segundo plano que carga modelos de pesos abiertos y los sirve a través de una API HTTP local, gestionado desde una app en la barra de menús o el CLI
omlx - Motor de inferencia: construido sobre el framework MLX de Apple y el
BatchGeneratorde la librería mlx-lm, según la propia documentación de oMLX, con una capa original de batching continuo y caché paginada por encima - Base: según el propio anuncio del desarrollador, oMLX se construyó originalmente sobre vllm-mlx como punto de partida, con implementaciones originales añadidas para el tiering de caché en SSD, batching continuo, soporte de modelos de visión y lenguaje, la API compatible con Anthropic, y la interfaz nativa de macOS
- Desarrollador: jundot (contacto listado como junkim.dot@gmail.com en el repositorio), un mantenedor independiente — esta review no encontró evidencia de una empresa o ronda de financiación detrás de oMLX
- Repositorio canónico: github.com/jundot/omlx — existen varios forks con nombre idéntico bajo otros nombres de usuario de GitHub (por ejemplo mkmsyk/omlx, dannysl/omlx); esos no son el proyecto original
Origen y crecimiento de oMLX
oMLX fue anunciado públicamente por primera vez por su desarrollador, jundot, en una publicación de marzo de 2026 en el propio foro de discusiones de GitHub de Apple MLX. El anuncio presentaba oMLX como una solución a un problema concreto y específico: los agentes de codificación que reutilizan un contexto largo y creciente podían experimentar en Apple Silicon retrasos de varias decenas de segundos al recargar ese contexto en cada solicitud, porque los servidores basados en MLX de la época solían mantener el estado de la caché clave-valor solo en RAM y lo perdían cada vez que el servidor se reiniciaba o un contexto expiraba. La caché SSD paginada de oMLX persiste ese estado en disco en su lugar, de modo que un prefijo previamente procesado puede restaurarse desde el SSD en lugar de recalcularse a partir del modelo. Según el propio anuncio del desarrollador, oMLX ya había acumulado aproximadamente 110 estrellas en GitHub en su lanzamiento, construido sobre vllm-mlx como punto de partida con código recién escrito para el tiering en SSD, batching continuo, soporte de modelos de visión y lenguaje, una API compatible con Anthropic, y la interfaz nativa de macOS. A la fecha de publicación de esta review, el repositorio de GitHub de oMLX muestra más de 23.000 estrellas — un crecimiento rápido para un proyecto que tenía menos de ocho meses de existencia al momento de escribir esto.
- Anuncio: 4 de marzo de 2026, en github.com/ml-explore/mlx/discussions/3203, publicado por el propio desarrollador del proyecto, jundot
- Punto de partida: vllm-mlx, con el tiering en SSD, el batching continuo, el VLM, la API de Anthropic y el código de interfaz nativa propios del desarrollador añadidos encima
- Crecimiento: de aproximadamente 110 estrellas en GitHub en el anuncio de marzo de 2026 a más de 23.000 estrellas a la fecha de esta review, según el propio repositorio de GitHub de oMLX
- Historial de licencia: el archivo LICENSE del repositorio lleva un aviso de copyright de 2025 para "oMLX contributors", anterior al anuncio público del proyecto en marzo de 2026 — consistente con un desarrollo privado antes del lanzamiento público
¿Qué puedes hacer con oMLX?
El conjunto de funciones de oMLX se centra en convertir la inferencia de modelos MLX en un servidor local multi-modelo persistente, en lugar de un script de un solo uso. Esto es lo que hace realmente cada parte, según el propio README de GitHub de oMLX y la documentación de omlx.ai.
- Caché clave-valor por niveles — los bloques de contexto activos permanecen en un nivel caliente de RAM; los bloques inactivos pasan a un nivel frío de SSD en formato safetensors, con compartición de prefijos y copy-on-write, y la caché sobrevive a los reinicios del servidor en lugar de descartarse
- Batching continuo — las solicitudes concurrentes se gestionan a través del
BatchGeneratorde mlx-lm, con una concurrencia máxima configurable, en lugar de procesar una solicitud a la vez - Servicio multi-modelo — carga LLM, modelos de visión y lenguaje (VLM), modelos de embeddings y rerankers en paralelo, con desalojo LRU, carga/descarga manual, fijación de modelos y un tiempo de vida configurable por modelo
- API compatible con OpenAI y Anthropic —
/v1/chat/completions,/v1/completions,/v1/embeddingsy/v1/rerankpara clientes con formato OpenAI, más/v1/messagespara clientes con formato Anthropic, todo servido desdehttp://localhost:8000 - Soporte de visión y lenguaje y OCR — chat multi-imagen con entradas en base64, URL o archivo, llamadas a herramientas con contexto visual, y detección automática de modelos OCR dedicados
- Llamadas a herramientas y MCP — llamadas a herramientas con esquema JSON y detección automática de plantillas de chat para Llama, Qwen, DeepSeek, Gemma, GLM, MiniMax, Mistral y otras familias de modelos, además de configuración del Model Context Protocol (MCP)
- App nativa de macOS en la barra de menús — una app Swift/SwiftUI (explícitamente no Electron, según la propia documentación del proyecto) para iniciar, detener y monitorear el servidor sin terminal, con analíticas de uso locales (totales por modelo, mapa de calor de uso por hora) y reinicio automático ante fallos
- Panel de administración — una interfaz web en
/admin, accesible desde un navegador una vez que el servidor está en marcha, para gestión de modelos, una interfaz de chat integrada, benchmarking con un clic, un descargador de modelos que filtra Hugging Face por formato MLX o GGUF, y configuración con un clic para integraciones de agentes de codificación incluyendo OpenClaw, OpenCode, Codex, Hermes Agent, Copilot, Pi, Mistral Vibe y DeepSeek Harness - Motor externo para modelos GGUF y NVFP4 — un ajuste por modelo que sirve ciertos checkpoints de Qwen, incluidos archivos GGUF, mediante el motor Metal independiente Splash en su propio proceso; el README indica los modelos compatibles y requiere Splash 1.4.0 o posterior
- Inferencia distribuida experimental — reparte un modelo de lenguaje descargado entre Macs con memoria desigual mediante rangos de pipeline de MLX sobre Ring o Thunderbolt RDMA/JACCL; solo en builds desde el código fuente y marcada como experimental en el README de oMLX (consulta la sección de inferencia distribuida más abajo)
oMLX: inferencia distribuida y clústeres
La inferencia distribuida de oMLX es una función experimental, solo disponible en builds desde el código fuente, que reparte un modelo entre varios Macs, incluso con memoria desigual. Según el README de oMLX, usa rangos de pipeline de MLX sobre red Ring o Thunderbolt RDMA/JACCL y no forma parte de la app estándar de macOS ni de la instalación con Homebrew.
- Estado: el README la llama «Experimental Multi-Mac Inference»; la configuración, los límites de seguridad, las limitaciones actuales y una lista de validación en hardware físico están en un documento aparte, distributed-cluster.md
- Disponibilidad: solo builds desde el código fuente — la app .dmg de macOS y la instalación con Homebrew de la tabla anterior no la incluyen
- Panel del clúster: descubrimiento de pares de solo lectura, con verificación estricta de SSH y del runtime, según el README
- Perfiles: perfiles interactive, balanced y throughput, con batching agrupado y afinidad de caché de prompts, según el README
- Red: Ring, o Thunderbolt RDMA/JACCL entre los Macs
Ejemplos de uso: tres formas de usar oMLX
Estos son flujos de trabajo concretos construidos a partir de las funciones documentadas de oMLX arriba — no casos de uso hipotéticos.
Ejecutar la app de la barra de menús y apuntar Claude Code hacia ella
Instala la app de macOS, lánzala desde la barra de menús e inicia el servidor. oMLX expone un endpoint /v1/messages compatible con Anthropic en http://localhost:8000, así que, una vez que apuntes Claude Code a esa dirección, podrá usar el modelo local que tengas cargado en oMLX en lugar de una API en la nube. El README documenta un tratamiento específico para Claude Code: oMLX informa la ventana de contexto real del modelo para que el auto-compact funcione, y el keep-alive de SSE evita los timeouts de lectura durante prefills largos. El panel en http://localhost:8000/admin ofrece configuración con un clic para otros agentes como OpenCode o Codex.
Iniciar el servidor CLI directamente y reutilizar una integración de cliente OpenAI
Desde una terminal, ejecuta omlx serve --model-dir ~/models (o omlx start para ejecutarlo en segundo plano). Una vez que el servidor esté escuchando en http://localhost:8000, apunta cualquier código de cliente OpenAI existente o herramienta hacia esa dirección en lugar de api.openai.com, usando /v1/chat/completions — el mismo patrón que usan otros servidores locales compatibles con OpenAI — para reutilizar código que ya tienes en lugar de reescribirlo para una nueva forma de API.
Mantener rápido un contexto largo de agente de codificación durante toda una sesión de trabajo
Ejecuta omlx serve con --paged-ssd-cache-dir apuntando a una unidad local rápida y un --hot-cache-max-size dimensionado para la RAM de tu Mac. Mientras trabajas en una sesión larga de codificación agéntica que revisita repetidamente el mismo contexto grande, los bloques previamente procesados que de otro modo serían desalojados de RAM se recuperan en su lugar desde el nivel de SSD, lo que la propia documentación de oMLX atribuye a reducir las esperas de recarga de varias decenas de segundos a solo unos pocos segundos en contextos largos.
Instalar oMLX: app de macOS, Homebrew y CLI
oMLX se instala como app de macOS, vía Homebrew, o desde el código fuente — no hay build de Windows ni Linux, porque depende del framework MLX de Apple, que solo está dirigido a Apple Silicon. Los tres métodos instalan la misma herramienta de línea de comandos omlx subyacente. Los enlaces de abajo provienen del README de GitHub oficial — verifica siempre directamente contra esa página, ya que las instrucciones de instalación pueden cambiar entre releases.
App de macOS (.dmg)
- Comando / enlace:
- Descarga desde GitHub Releases — un .dmg para macOS 15 (Sequoia) y otro para macOS 26/27 — y arrastra a Applications. Incluye actualización automática e instala un shim de CLI en
~/.omlx/bin/omlx.
Homebrew
- Comando / enlace:
brew tap jundot/omlx https://github.com/jundot/omlx, luegobrew install jundot/omlx/omlx(añade--with-custom-kernelpara compilar los kernels nativos; requiere Xcode completo), luegoomlx start
Desde el código fuente
- Comando / enlace:
git clone https://github.com/jundot/omlx.git, luegocd omlx, luegomake install
Ejecutar el servidor directamente
- Comando / enlace:
omlx serve --model-dir ~/models(primer plano) oomlx start/omlx stop/omlx restart(segundo plano)
Requisitos del sistema según el README oficial: macOS 15.0 (Sequoia) o posterior, Apple Silicon (M1 a M5) y Python 3.11–3.13. No hay build para Mac Intel, Windows ni Linux. GLM-5.2, MiniMax M3 y Qwen3.5 necesitan kernels nativos personalizados y, sin ellos, recurren según el README a rutas genéricas mucho más lentas; el .dmg los incluye precompilados, mientras que make install y la opción --with-custom-kernel de Homebrew los compilan y requieren Xcode completo con la toolchain de Metal. Los flags de configuración del servidor — --memory-guard {safe|balanced|aggressive}, --memory-guard-gb, --paged-ssd-cache-dir, --hot-cache-max-size, --max-concurrent-requests, --mcp-config, --hf-endpoint, --api-key y --host — persisten en ~/.omlx/settings.json una vez definidos, y pueden sobrescribirse por ejecución con flags de CLI.
Precios de oMLX: ¿es realmente gratis?
Sí — oMLX no tiene ningún nivel de pago. Ni el repositorio de GitHub ni omlx.ai tienen página de precios, y el archivo LICENSE es una Apache License 2.0 estándar sin modificar con un aviso de copyright de 2025 para "oMLX contributors" — se aplica a toda la aplicación, sin ninguna cláusula que bloquee una función detrás de un pago.
- Sin suscripción, sin nivel de pago, sin límites de uso impuestos por oMLX mismo
- No se requiere cuenta ni registro para instalar o ejecutar la app
- La aplicación, la app de la barra de menús, el CLI y el panel de administración están todos cubiertos por los mismos términos de la Apache License 2.0
- Como oMLX solo ejecuta modelos locales a través de MLX, tampoco hay ningún coste por token o por solicitud de un proveedor en la nube — el único coste es la electricidad y el hardware que ya tienes
oMLX vs. mlx-lm y MLX
MLX es el framework de aprendizaje automático de Apple; oMLX es un producto de servidor construido sobre él, no un framework competidor — por eso «oMLX vs MLX» es una cuestión de capas, no de alternativas. mlx-lm es la librería de Python y el CLI simple que el ecosistema MLX de Apple ofrece para ejecutar y servir modelos — y oMLX se construye directamente sobre él, usando su BatchGenerator para el batching continuo. Los dos no son realmente competidores sino capas distintas: mlx-lm es la base, oMLX es un producto de servicio completo construido sobre esa base.
Aspecto | oMLX | |
|---|---|---|
| Capa | Producto de servidor sobre MLX y mlx-lm | Biblioteca Python sobre el framework MLX |
| Qué es | Un servidor de inferencia empaquetado: app de barra de menús + CLI + panel de administración | Una librería de Python y un CLI ligero para ejecutar/servir modelos MLX |
| Caché KV | Caché paginada por niveles de RAM + SSD, persiste tras reinicios | Solo caché en memoria, según su propio servidor documentado; sin tiering en SSD |
| Gestión multi-modelo | Desalojo LRU, fijación, TTL por modelo, carga/descarga desde una interfaz | No es una función integrada — se gestiona por script o manualmente |
| Compatibilidad de API | Endpoints compatibles con OpenAI y con Anthropic | Modo servidor compatible con OpenAI (mlx_lm.server) |
| Interfaz | App nativa de macOS en la barra de menús más panel de administración web | Solo línea de comandos, sin GUI |
| Integraciones con agentes de codificación | Configuración con un clic para OpenClaw, OpenCode, Codex y otros | No es una función documentada; requiere configuración manual de endpoints |
Si quieres la forma más simple posible de ejecutar un solo modelo MLX desde un script o un comando rápido de servidor, mlx-lm solo puede ser todo lo que necesitas. Si quieres un servidor multi-modelo persistente con una interfaz en la barra de menús, caché respaldada por SSD para contextos largos de agentes, e integraciones con agentes de codificación con un clic, oMLX está construido específicamente para añadir esa capa sobre mlx-lm en lugar de reemplazarlo.
oMLX vs. mlx-serve
oMLX y mlx-serve son servidores de inferencia locales, gratuitos y de código abierto para Apple Silicon, con APIs compatibles con OpenAI y Anthropic; las diferencias principales son el runtime (Python/MLX frente a un único binario en Zig) y los formatos de modelo (MLX frente a MLX más GGUF). Son proyectos distintos de desarrolladores distintos; ninguno está construido sobre el otro.
Aspecto | oMLX | |
|---|---|---|
| Lenguaje / runtime | Python sobre MLX/mlx-lm, app Swift en barra de menús | Binario único en Zig (~7 MB), sin Python |
| Formatos de modelo | Modelos MLX (LLM, VLM, embeddings, reranker) | MLX más llama.cpp integrado para GGUF |
| APIs | Compatible con OpenAI y Anthropic | Compatible con OpenAI, Anthropic y Ollama |
| App complementaria | App de barra de menús + panel de administración web | App de barra de menús MLX Core (chat, agentes, medios) |
| Licencia | Apache License 2.0 | MIT (componentes Apache-2.0 incluidos) |
| Requisito de macOS | macOS 15.0 o posterior | macOS 26.2 o posterior |
Elige oMLX si lo prioritario son los contextos largos de agentes de programación que se revisitan y su caché KV en niveles con SSD (que sobrevive a los reinicios); elige mlx-serve si quieres un binario pequeño sin Python o compatibilidad con GGUF además de MLX. Los datos de mlx-serve proceden de la review de mlx-serve; esta review no comparó ambos con benchmarks — verifica las funciones actuales en el repositorio de cada proyecto.
¿Quién debería usar oMLX?
Que oMLX te sirva depende casi por completo, primero, de una cosa: si estás en una Mac con Apple Silicon, ya que ese requisito no tiene solución alternativa.
Usa oMLX si
- Estás usando una Mac con Apple Silicon (M1 a M5) con macOS 15.0 o posterior — este es un requisito estricto, no una recomendación
- Quieres un servidor de inferencia local persistente con app en la barra de menús, en lugar de un script que tengas que reiniciar manualmente
- Usas un agente de codificación (Claude Code, OpenClaw, OpenCode o similar) con contextos largos y revisitados repetidamente, y quieres reducir los retrasos de recarga para ese flujo de trabajo específico
- Quieres endpoints compatibles con OpenAI y con Anthropic desde un único servidor local, en lugar de ejecutar dos herramientas separadas
- Quieres servir varios modelos — LLM, VLM, modelos de embeddings, rerankers — desde un solo proceso con gestión automática de memoria
Espera, o busca en otro lugar, si
- Estás en una máquina Windows o Linux, o en una Mac Intel — oMLX no tiene build para ninguna de estas, porque depende del framework MLX de Apple, exclusivo de Apple Silicon; consulta el directorio de software de LLM local para alternativas multiplataforma
- Quieres un producto financiado y con soporte oficial, con una empresa y un SLA detrás — esta review no encontró evidencia de una empresa o financiación detrás de oMLX; según su propio repositorio de GitHub, lo mantiene un único desarrollador nombrado
- Quieres la forma más simple y mínima posible de ejecutar un solo modelo MLX — mlx-lm solo, sin la capa de servidor de oMLX, podría ser mejor opción
- Necesitas un proyecto con un historial largo y probado para un despliegue en producción — oMLX se anunció por primera vez en marzo de 2026, así que su historial público todavía es corto comparado con servidores de inferencia más establecidos
oMLX vs. otras herramientas de inferencia local
oMLX se sitúa en el rincón de Apple Silicon / MLX del panorama de inferencia local. Así es como se compara con otras herramientas en ese mismo segmento — consulta el directorio de software de LLM local para el catálogo completo, y la comparación dedicada oMLX vs. mlx-lm arriba para el enfrentamiento más directo.
- mlx-lm — la librería de Python y el CLI subyacentes sobre los que oMLX mismo está construido; la elección correcta si quieres la forma más simple posible de ejecutar un solo modelo MLX sin una capa de servidor completa. Consulta la sección de comparación dedicada arriba.
- mlx-serve — un servidor de inferencia en Zig distinto, gratuito y de código abierto para Apple Silicon, con APIs compatibles con OpenAI, Anthropic y Ollama y soporte de GGUF mediante llama.cpp; consulta la comparación oMLX vs. mlx-serve más arriba.
- exo — una herramienta de código abierto para agrupar en clúster varias Mac con Apple Silicon (y otros dispositivos) y ejecutar modelos más grandes de los que una sola máquina podría alojar; relevante si el modo experimental de clúster único distribuido de oMLX no es suficiente para tu configuración. Consulta la review de exo.
- LM Studio — una app de escritorio multiplataforma (macOS, Windows, Linux) que también usa MLX como uno de sus motores de inferencia en Apple Silicon, junto con llama.cpp; mejor opción si necesitas que la misma herramienta funcione también en hardware que no sea Mac. Consulta la review de LM Studio.
- llamafile — un enfoque de inferencia local en un solo ejecutable, construido sobre llama.cpp en lugar de MLX, que ejecuta el mismo archivo en macOS, Windows y Linux sin paso de instalación; un contraste útil si la portabilidad multiplataforma te importa más que el rendimiento específico de Apple Silicon. Consulta el artículo llamafile explicado.
Errores comunes al evaluar oMLX
La mayor parte de la confusión sobre oMLX viene de asumir que funciona como una herramienta multiplataforma, confundirlo con un fork con el mismo nombre, o esperar soporte para Mac Intel.
Error 1: asumir que oMLX funciona en Windows o Linux
oMLX es exclusivo de macOS, y específicamente exclusivo de Apple Silicon, porque está construido sobre el framework MLX de Apple, que no está dirigido en absoluto a Windows ni Linux. No hay ningún elemento de hoja de ruta ni build beta para ninguna de las dos plataformas documentado en el repositorio del proyecto al momento de esta review — si necesitas una herramienta multiplataforma, consulta LM Studio o llamafile en su lugar.
Error 2: confundir github.com/jundot/omlx con un fork con el mismo nombre
Existen varios repositorios de GitHub con el nombre idéntico "omlx" bajo otros nombres de usuario (por ejemplo mkmsyk/omlx, dannysl/omlx). El proyecto original, en desarrollo activo — confirmado por el propio anuncio del desarrollador en el foro de discusiones de GitHub de Apple MLX — es github.com/jundot/omlx. Verifica siempre que estás viendo ese repositorio específico antes de instalarlo o citar recuentos de estrellas.
Error 3: asumir que las Mac basadas en Intel son compatibles
Los requisitos del sistema de oMLX enumeran explícitamente Apple Silicon (M1 a M5); esta review no encontró ninguna mención de soporte para Mac Intel en ninguna parte de la documentación oficial. MLX mismo, el framework sobre el que se construye oMLX, no está dirigido a Mac Intel, así que no es probable que una futura actualización de oMLX añada esto.
Error 4: esperar que oMLX sea un cliente de chat en lugar de un servidor
El panel de administración de oMLX sí incluye una interfaz de chat integrada para pruebas, pero su propósito principal es servir modelos a través de una API para que otras aplicaciones (como Claude Code, OpenCode, o tus propios scripts) las usen — está más cerca por categoría de un servidor de inferencia local que de una app de chat autónoma completa como Jan o GPT4All.
Preguntas frecuentes
¿Qué es oMLX?
oMLX (github.com/jundot/omlx) es un servidor de inferencia local gratuito y de código abierto para Mac con Apple Silicon. Ejecuta modelos a través del framework MLX de Apple y se distribuye como una app nativa de macOS en la barra de menús más una herramienta de línea de comandos omlx y un servidor en segundo plano, con endpoints de API compatibles con OpenAI y Anthropic.
¿Es gratis oMLX?
Sí. Ni el repositorio de GitHub ni omlx.ai tienen página de precios, y el archivo LICENSE es una Apache License 2.0 estándar sin modificar, sin ningún nivel de pago.
¿oMLX funciona en Windows o Linux?
No. oMLX es exclusivo de macOS, y requiere específicamente Apple Silicon (M1 a M5) y macOS 15.0 (Sequoia) o posterior, porque depende del framework MLX de Apple, que no está dirigido a Windows, Linux ni Mac Intel.
¿oMLX funciona en una Mac Intel?
No. Los requisitos del sistema documentados de oMLX especifican solo Apple Silicon. MLX, el framework sobre el que se construye, no admite Mac basadas en Intel.
¿En qué se diferencia oMLX de mlx-lm?
mlx-lm es la librería de Python y el CLI ligero subyacentes que ofrece el ecosistema MLX de Apple para ejecutar modelos; oMLX se construye sobre el BatchGenerator de mlx-lm y añade un servidor persistente, una app en la barra de menús, una caché por niveles respaldada por SSD, gestión multi-modelo, y endpoints compatibles con OpenAI/Anthropic. Consulta la comparación completa arriba.
¿Para qué sirve la caché SSD paginada en oMLX?
Traslada los bloques de caché clave-valor inactivos de la RAM al SSD de tu Mac, en formato safetensors, en lugar de descartarlos. Cuando un agente de codificación de larga duración revisita un contexto grande, oMLX puede restaurar los bloques previamente procesados desde el SSD en lugar de recalcularlos a partir del modelo, lo que según su propia documentación reduce las esperas de recarga en contextos largos de varias decenas de segundos a solo unos pocos segundos.
¿Puedo usar oMLX con Claude Code u otros agentes de codificación?
Sí. La API de oMLX es compatible tanto con el formato de solicitud de OpenAI como con el de Anthropic, el README documenta un tratamiento específico para Claude Code (informa la ventana de contexto real y keep-alive de SSE), y su panel de administración ofrece configuración con un clic para OpenClaw, OpenCode, Codex y otros.
¿Es oMLX de código abierto? ¿Qué licencia usa?
Sí. El archivo LICENSE de oMLX es una Apache License 2.0 estándar sin modificar, con un aviso de copyright de 2025 para "oMLX contributors".
¿Cómo instalo oMLX con Homebrew?
Ejecuta brew tap jundot/omlx https://github.com/jundot/omlx, luego brew install jundot/omlx/omlx y después omlx start. El README de oMLX también lista una app .dmg de macOS y una instalación desde el código fuente; verifica los comandos allí, porque los pasos de instalación pueden cambiar entre versiones.
¿oMLX admite inferencia distribuida entre varios Macs?
De forma experimental. El README de oMLX describe builds desde el código fuente que pueden repartir un modelo descargado entre Macs con memoria desigual mediante rangos de pipeline de MLX sobre Ring o Thunderbolt RDMA/JACCL. No está en la app estándar ni en la instalación con Homebrew, y el proyecto documenta sus limitaciones en un documento aparte.
¿Cuál es la última versión de oMLX?
La v0.7.2, publicada el 21 de octubre de 2026. Antes de las versiones estables se publican builds de desarrollo y release candidates en la misma página de Releases; consulta github.com/jundot/omlx/releases por si hay algo más reciente antes de citar una versión.
¿Cuál es la diferencia entre oMLX y MLX?
MLX es el framework de aprendizaje automático de código abierto de Apple para Apple Silicon. oMLX es un servidor de inferencia local construido sobre MLX y la biblioteca mlx-lm, que añade una app de barra de menús, gestión de varios modelos, una caché SSD paginada y APIs compatibles con OpenAI/Anthropic.
oMLX vs mlx-serve: ¿cuál debería usar?
Ambos son servidores de inferencia gratuitos y de código abierto para Apple Silicon. oMLX está basado en Python y tiene una caché KV en niveles con SSD pensada para contextos largos de agentes de programación; mlx-serve es un único binario en Zig que también ejecuta modelos GGUF mediante llama.cpp. Consulta la tabla comparativa más arriba.
¿Quién desarrolla oMLX?
oMLX está desarrollado por jundot, un mantenedor independiente (contacto listado como junkim.dot@gmail.com en el repositorio). Esta review no encontró evidencia de una empresa o ronda de financiación detrás del proyecto.
¿Es github.com/jundot/omlx el repositorio real de oMLX?
Sí. Existen varios repositorios "omlx" con nombre idéntico bajo otros nombres de usuario de GitHub, pero github.com/jundot/omlx es el proyecto original, confirmado por el propio anuncio del desarrollador en el foro de discusiones de GitHub de Apple MLX.