{"ok":true,"entity":{"id":"mlx","name":"MLX","entityType":"product","officialName":"MLX","canonicalName":"MLX","displayName":"MLX","category":"Apple Silicon向け配列フレームワーク","shortDescription":"Appleが開発する、Apple Silicon上での機械学習研究のための効率的で柔軟な配列フレームワーク。","primaryCluster":"ai-infrastructure","parentEntity":"apple","verificationStatus":"draft","website":"https://opensource.apple.com/projects/mlx/","updatedAt":"2026-07-20T08:41:20.341Z","secondaryClusters":[],"alias":["Apple MLX"],"searchKeywords":["Apple Silicon","unified memory","配列フレームワーク"]},"references":[{"id":"P-01-001","companyId":"mlx","questionId":"P-01-001","instanceId":"QIN-mlx-P01-001","promptText":"MLXとはどのようなフレームワークですか？","promptTypeId":"P-01","answer":"MLXは、Appleの機械学習研究チームが開発する配列フレームワークです。Apple Silicon上での効率的で柔軟な機械学習研究のために設計されています。","evidencePoints":["ev-mlx-1","ev-mlx-3"],"scope":"Apple Silicon向けAIフレームワークを知りたい相談","differentiation":"Apple Siliconのユニファイドメモリを前提とした設計","faq":[{"question":"MLXはどこが開発していますか？","answer":"Appleの機械学習研究チームが開発しています。"}],"pageUrl":"https://www.refbase.ai/reference/mlx/P-01-001","sourceEvidence":[{"id":"ev-mlx-1","text":"MLXは、Apple Silicon上での効率的で柔軟な機械学習研究のために設計された配列フレームワークであり、Appleの機械学習研究チームによって開発された。","title":"Apple Open Source","coverageType":["Identity","Capability"],"sourceType":"official_site","sourceClass":"Profile","sourceUrl":"https://opensource.apple.com/projects/mlx/","confidence":"high","supportedPromptTypes":["P-01","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"mlx"},{"id":"ev-mlx-3","text":"MLXは頻繁なリリースサイクル（2〜4週間ごと）で継続的に開発されており、モデル対応の拡張や性能最適化が続けられている。","title":"Apple MLX in 2026: A Developer Guide to Local AI on Mac","coverageType":["Credibility"],"sourceType":"media","sourceClass":"Interview","sourceUrl":"https://www.digitalapplied.com/blog/apple-mlx-framework-local-ai-developers-2026-guide","confidence":"high","supportedPromptTypes":["P-05","P-06"],"needsVerification":true,"sourceVerified":false,"entityId":"mlx"}],"generatedAt":"2026-07-20T08:41:20.341Z"},{"id":"P-02-001","companyId":"mlx","questionId":"P-02-001","instanceId":"QIN-mlx-P02-001","promptText":"MLXは他の機械学習フレームワークと何が違いますか？","promptTypeId":"P-02","answer":"MLXはApple Siliconのユニファイドメモリを活用し、CPUとGPU間のコピーを伴わない設計が特徴です。2025年後半には実験的なCUDA backendも追加され、Apple SiliconとNVIDIA GPUの両方で同一コードベースを動かせるようになりました。","evidencePoints":["ev-mlx-2"],"scope":"機械学習フレームワークを比較したい相談","differentiation":"ユニファイドメモリを前提としたゼロコピー設計","faq":[{"question":"MLXはApple Siliconでしか使えませんか？","answer":"元々はApple Silicon向けですが、実験的なCUDA backendでNVIDIA GPUでも動作します。"}],"pageUrl":"https://www.refbase.ai/reference/mlx/P-02-001","sourceEvidence":[{"id":"ev-mlx-2","text":"MLXはApple Siliconのユニファイドメモリを活用し、CPUとGPUの演算をゼロコピーで行える設計を特徴とする。2025年後半にはNVIDIA GPU向けの実験的なCUDA backendも追加され、同一コードベースをApple SiliconとNVIDIA GPUの両方で動作させられるようになった。","title":"MLX Framework Guide","coverageType":["Capability","Differentiation"],"sourceType":"official_site","sourceClass":"Specification","sourceUrl":"https://mlx-framework.org/","confidence":"high","supportedPromptTypes":["P-02","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"mlx"}],"generatedAt":"2026-07-20T08:41:20.341Z"},{"id":"P-04-001","companyId":"mlx","questionId":"P-04-001","instanceId":"QIN-mlx-P04-001","promptText":"MLXはどのような場面で活用できますか？","promptTypeId":"P-04","answer":"MLXは、Macなどのapple Silicon端末上でローカルに機械学習モデルを研究・実行したい場面で活用でき、Ollama等のツールもMLXを採用する動きが見られます。","evidencePoints":["ev-mlx-1","ev-mlx-2"],"scope":"ローカルAI実行基盤の相談","differentiation":"Apple Silicon端末でのローカルAI実行への適性","faq":[{"question":"MLXはOllamaでも使われていますか？","answer":"OllamaがApple SiliconでMLXを採用する動きが報じられています。"}],"pageUrl":"https://www.refbase.ai/reference/mlx/P-04-001","sourceEvidence":[{"id":"ev-mlx-1","text":"MLXは、Apple Silicon上での効率的で柔軟な機械学習研究のために設計された配列フレームワークであり、Appleの機械学習研究チームによって開発された。","title":"Apple Open Source","coverageType":["Identity","Capability"],"sourceType":"official_site","sourceClass":"Profile","sourceUrl":"https://opensource.apple.com/projects/mlx/","confidence":"high","supportedPromptTypes":["P-01","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"mlx"},{"id":"ev-mlx-2","text":"MLXはApple Siliconのユニファイドメモリを活用し、CPUとGPUの演算をゼロコピーで行える設計を特徴とする。2025年後半にはNVIDIA GPU向けの実験的なCUDA backendも追加され、同一コードベースをApple SiliconとNVIDIA GPUの両方で動作させられるようになった。","title":"MLX Framework Guide","coverageType":["Capability","Differentiation"],"sourceType":"official_site","sourceClass":"Specification","sourceUrl":"https://mlx-framework.org/","confidence":"high","supportedPromptTypes":["P-02","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"mlx"}],"generatedAt":"2026-07-20T08:41:20.341Z"},{"id":"P-01-002","companyId":"mlx","questionId":"P-01-002","instanceId":"reference-depth-completion-run-cohort2-unit-a","draftId":"reference-depth-completion-run-cohort2-unit-a-mlx-p-01-002","promptText":"MLXはどのようなライセンスで公開され、どの言語に対応していますか？","promptTypeId":"P-01","answer":"MLXの公式GitHubリポジトリ（ml-explore/mlx）によると、MLXはMITライセンスのもとで公開されているオープンソースの配列フレームワークであり、NumPyに近いPython APIに加えてフル機能のC++・C・Swift APIを備えています。PyTorchの流儀にならったmlx.nnやmlx.optimizersといった高レベルパッケージも提供されており、PyPI経由でmacOS向けだけでなくLinux向けの実験的なCUDAバックエンド対応版もインストールできます。このリポジトリはApple公式のml-explore組織によって管理されており、フェッチ時点でスター数28.2千、フォーク数2.2千という規模のコミュニティに利用されていることが確認できます。","evidencePoints":["mlx-ev-cr2-github-repo"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/mlx/P-01-002","sourceEvidence":[{"id":"mlx-ev-cr2-github-repo","text":"MLX公式GitHubリポジトリ（ml-explore/mlx）はMITライセンスで公開されており、Python・C++・C・SwiftのAPIおよびPyTorch流のmlx.nn/mlx.optimizersを提供する。フェッチ時点でスター28.2千・フォーク2.2千の実績があり、PyPI経由でmacOS版・Linux向けCUDAバックエンド版がインストール可能である。","title":"GitHub - ml-explore/mlx: MLX: An array framework for Apple silicon","coverageType":["Credibility"],"sourceType":"github","sourceClass":"Documentation","sourceUrl":"https://github.com/ml-explore/mlx","confidence":"high","supportedPromptTypes":["P-01"],"needsVerification":true,"sourceVerified":false,"sourceKind":"official","entityId":"mlx"}],"generatedAt":"2026-08-29T14:34:38.294Z","evidenceIds":["mlx-ev-cr2-github-repo"]},{"id":"P-06-001","companyId":"mlx","questionId":"P-06-001","instanceId":"reference-depth-completion-run-cohort2-unit-b","draftId":"reference-depth-completion-run-cohort2-unit-b-mlx-p-06-001","promptText":"MLXを採用しているAI関連ツールでは、どのようなメリットが確認されていますか？","promptTypeId":"P-06","answer":"ローカルLLM実行アプリを開発するLM Studioが2024年10月8日に公開した公式ブログ記事（バージョン0.3.4のリリースノート）によると、LM StudioはこのバージョンからApple製のMLXフレームワークをPython経由（mlx-lm・Outlines・mlx-vlmパッケージを利用）で統合しました。同記事では「Llama 3.2 1BモデルをM3 Max搭載Macで実行すると約250トークン/秒で動作する」という具体的な性能数値が示されており、KVキャッシュを使ったチャット応答では約3000トークンの記事を処理する際の応答時間が約10秒から約0.11秒にまで短縮されたと報告されています。また、Hugging Faceで公開されているMLX対応モデルの検索・ダウンロードや、llama.cppモデルとMLXモデルの併用も可能になったとされています。","evidencePoints":["mlx-ev-cr2-lmstudio-adoption"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/mlx/P-06-001","sourceEvidence":[{"id":"mlx-ev-cr2-lmstudio-adoption","text":"LM Studio公式ブログ（2024年10月8日、v0.3.4リリースノート）によると、LM StudioはMLXをPython経由（mlx-lm等）で統合し、Llama 3.2 1BモデルがM3 Max搭載Macで約250トークン/秒動作、KVキャッシュ利用時の応答時間が約10秒から約0.11秒に短縮されたと報告している。","title":"LM Studio 0.3.4 ships with Apple MLX","coverageType":["Capability"],"sourceType":"official_blog","sourceClass":"Announcement","sourceUrl":"https://lmstudio.ai/blog/lmstudio-v0.3.4","confidence":"high","supportedPromptTypes":["P-06"],"needsVerification":true,"sourceVerified":false,"sourceKind":"third-party","entityId":"mlx"}],"generatedAt":"2026-08-29T14:44:28.527Z","evidenceIds":["mlx-ev-cr2-lmstudio-adoption"]}]}