本地 AI 工作台
Melix
登记模型、启动本地服务、离线对话、用自己的数据训练 LoRA 适配器，再对结果做基准测试和评测——全部在一个原生 macOS 应用和命令行里完成，跑在 Apple Silicon 上，数据不离开这台 Mac。
MelixApache-2.0macOS 15+Apple Silicon
让智能触手可及
拉普拉斯设想过一个无所不知的智者。我们从另一头做起：让模型小到能在手边的机器上训练、运行和检验，并且说得清自己有几分把握。
01gua — 已发布
4B参数。Qwen3.5-4B，语言模型的每个线性层加秩为 8 的 LoRA
30.294 → 0.060动作判断的校准误差（ECE），温度缩放前后
2guav2 · 2026 年 10 月1
截图 · 系统设置
任务
Turn on Dark Mode
已完成
- 1Click the Apple menu
- 2Click System Settings
下一步动作是 click 的概率
0.94
下一步目标是元素 15 的概率
0.60
示意图。概率取自模型说明里的示例。
gua 决定在 Mac 上点哪里。
给它一张截图、一个任务和最近几步操作，它会说出下一步是什么动作、该落在屏幕上的哪个元素，并给每个选项一个校准过的概率。代理可以只执行有把握的回答，其余的先问人。
0.711
最有把握的那一半回答里，元素定位的准确率；全部回答为 0.524
训练题目取自 374 段公开屏幕录制教程里切出的 32,730 步操作，涵盖从 Blender 到 Logic Pro 的七类软件；测试用的是它从未见过的 99 段视频里的 9,972 步。
guaApache-2.0MLX
02缘起
AI 离能用上它的人有多远，多半要用 GB、瓦特和毫秒来量。
最强的模型住在数据中心，而大多数人、实验室和小公司不在那里。两者之间隔着一串具体的数字：模型要占多少内存，一次回答要等多久，把它改到新任务上要花多少，它的某一次判断值得几分信任。
我们研究的就是这些数字——在模型里，在训练和检验模型的数据里，也在运行模型的系统里。
03同样已发布
两个让 AI 留在本机的 Mac 应用。
本机语音输入
SayIt
按下快捷键说话，文字就落进你正在输入的地方。语音在 Mac 本机识别，有几种本地引擎可选，其中 Qwen3-ASR 能处理中英混说。
SayItv1.9.0 · 2026 年 10 月GPL-3.0macOS 14+
04研究
能力在走向使用者的路上流失。我们就在流失的地方下功夫。
能力
-
A模型
已发布 · gua v1、v2
知道自己不知道什么的小模型。
用不大的算力，把开源模型改到具体的真实任务上，再做好校准，让它报出的把握真有意义。
-
B数据与评测
内部在用
先审计标注，再信任标注。
把公开素材变成训练数据，然后审计它。按来源划分数据，报告置信区间，讲清结果在哪里不再成立。
-
C本地 AI
已发布 · Melix、SayIt
在自己的 Mac 上就能用的 AI。
让整套流程留在一台机器上：运行、提供服务、适配和评测模型，把语音转成文字，什么都不必送出去。
使用者
05方法
四个习惯，在第一次发布里都看得到。
- 1
从约束出发。
gua 在一台 Mac 上训练，两个版本累计约 110 小时。约束是结果的一部分，所以和结果一起报告。
- 2
报告误差范围。
新旧版本的对比，附有按轨迹配对的自助法 95% 置信区间。
- 3
审计标注。
训练标注由模型生成，所以我们让更强的模型按主题抽查，把查出的问题印在模型说明里。
- 4
写明它在哪里失败。
密集的专业界面会难倒它：在 Plasticity 的 CAD 工具栏上，元素定位只有 38%。这一点也写在说明里。
06公益
拉普拉斯的迷你世界
这是我们的公益项目：给孩子的四十四个能动手的世界模型。海啸越过真实的太平洋海底，雨水一点点磨平一座岛，一个小到每一步都看得清的扩散模型从噪点里画出图来。每一篇都是一段短文配一个模拟，孩子可以转动它、让它运行、把它拆开来看。中英文都有。
07合作
带一个问题、一个约束，或者一份数据来。
我们想认识研究小模型、评测和端侧推理的研究者与工程师，也想认识手里有真实任务、硬件却有限的团队。
- 在你的机器上检验一个方法
- 一起搭一套评测
- 把一个小模型改到你的任务上
其他地方 Hugging Face · LaplAI world.lapla.si 抖音 小红书 YouTube TikTok