用途：帮助开发者在 Apple 设备上选择、部署并优化端侧机器学习模型，涵盖 Apple Foundation Models、Core ML、MLX Swift 和 llama.cpp 四类方案。
主要能力与选型：Foundation Models 适合 iOS 26+/macOS 26+ 且启用 Apple Intelligence 的设备，用于文本生成、摘要、实体抽取、结构化输出与短对话，无需 API 密钥、网络或模型下载；Core ML 用于部署自定义训练模型（视觉、NLP、音频），可通过 coremltools 从 PyTorch、TensorFlow、scikit-learn 转换；MLX Swift 用于在 Apple Silicon 上运行 Llama、Mistral、Qwen、Gemma 等开源 LLM，追求最高吞吐；llama.cpp 用于 GGUF 格式的跨平台推理。
必要用法：使用 Foundation Models 前必须检查 SystemLanguageModel.default.availability，并处理不可用分支；会话有状态、单会话一次仅一个请求，可用 session.prewarm() 预热；结构化输出用 @Generable 与 @Guide 约束；工具通过 Tool 协议注册。Core ML 新模型应使用 mlprogram（.mlpackage），PyTorch 追踪前须调用 model.eval()，并显式设置 minimum_deployment_target。MLX Swift 需限制内存占用（iOS 不超过总 RAM 60%）、设置 GPU 缓存上限并在后台卸载模型。
适用场景：端侧文本生成与分类、图像识别、自定义模型部署、开源 LLM 本地推理、多后端回退架构。
限制：Foundation Models 不擅长复杂数学、代码生成与事实准确性任务，且不支持 iOS 26 之前设备；护栏始终启用不可关闭；MLX 需要真机 Metal GPU，模拟器不支持；模型大小需匹配设备内存。具体收费、价格与平台细节资料未提供。