apfel är ett -projekt.

v1.18.0 · Noll konfiguration · MIT

apfel

Gratis AI, redan på din Mac.

macOS Tahoe levereras med en LLM på 3B parametrar. apfel ger dig CLI-åtkomst med en enda brew install. Inga modellnedladdningar, inga API-nycklar, ingen konfiguration, det bara fungerar.

  • Inga tokenkostnader
  • AI på enheten
  • Skriptbar
$ brew install apfel

6.6k+ stjärnor på github.com/Arthur-Ficial/apfel

Kräver: Apple Silicon · macOS Tahoe · Apple Intelligence aktiverat

Ny på apfel? Starta 60-sekundersguiden (på engelska)

Allt körs på din enhet. Inga nätverksanrop. Ingen data lämnar din Mac.

Se det i praktiken.

Från brew install till AI-svar på 12 sekunder. Ingen konfiguration behövs.

Terminal - apfel
$
Riktig terminalinspelning, helt oredigerad: apfel 1.18.0 på macOS 27.0.1, MacBook Air M2.

Noll konfiguration. Noll LLM-nedladdningar. Noll tokenkostnader.

Andra lokala AI-verktyg är bra men kräver modellnedladdningar och konfiguration. apfel behöver ingenting - modellen finns redan på din Mac. En brew install. Klart.

$0
Tokenkostnad
Inga API-nycklar. Inga prenumerationer. Ingen debitering per token. Din hårdvara, din AI.
100%
På enheten
Varje token genereras lokalt på din Apple Silicon. Ingenting lämnar din dator. Någonsin.
0
Konfigurationssteg
Ingen YAML. Inga miljövariabler. Inget modellval. Installera en gång, använd för alltid.

Modellen under huven

Apple ML Research
~3BParametrar
4,096 / 8,192Kontextfönster (M1/M2 / M3+ på macOS 27)
~3.5 bpwKvantisering
Mixed 2/4-bitPrecision
Neural EngineKörs på
en, de, es, fr, it, ja, ko, pt, zhSpråk

Tre verktyg. En installation.

En CLI, en OpenAI-kompatibel server och en interaktiv chatt. Allt från en enda brew install. Inga extra nedladdningar.

>_

UNIX-verktyg

Pipe-vänligt och komponerbart. Fungerar med jq, xargs och dina shellskript. stdin, stdout, JSON-utdata, schemavaliderad JSON med --schema, flera turer från en meddelandefil med --messages, bifogade filer, korrekta exitkoder.

$ apfel "What is the capital of Austria?"
The capital of Austria is Vienna.

$ apfel -o json "Translate to German: Apple" | jq .content
"Apfel"

# --schema: output guaranteed to match your JSON Schema
$ apfel --schema person.json "Alice is 30." | jq .name
"Alice"

# --code: just the command, no prose, no fences
$ apfel --code "flush the dns cache on macos"
sudo /usr/bin/dscacheutil -flushcache
{ }

OpenAI-server

Drop-in-ersättare på localhost:11434. Peka valfri OpenAI SDK mot den och kör. Chat Completions och Responses API, streaming, tool calling, JSON Schema-utdata, CORS.

$ apfel --serve
Server running on http://127.0.0.1:11434

# any OpenAI client works
$ curl localhost:11434/v1/chat/completions ...
...

Interaktiv chatt

Samtal i flera turer med automatisk kontexthantering. Fem trimningsstrategier. Stöd för systemprompt. Skriv bara apfel i en terminal för att börja. Allt på din Mac.

$ apfel --chat -s "You are a coding assistant"
Type 'quit' to exit.
> How do I reverse a list in Python?

Inbyggt MCP-stöd.

Ge Apples modell på enheten verktyg. Vilka verktyg som helst.

Koppla in verktygsservrar med --mcp

apfel talar Model Context Protocol. Peka den mot valfri MCP-server så får modellen på enheten verktyg - matte, API:er, databaser, allt du kan skriva en server för.

  • Fungerar i alla tre lägen - CLI, server och chatt
  • Hittar verktyg automatiskt via MCP tools/list vid start
  • Verktygsanrop upptäcks, körs och resultaten skickas tillbaka automatiskt
  • Ingen --mcp-flagga, ingen overhead - noll extra tokens, inga ändrade kodvägar
  • Levereras med en MCP-server för miniräknare som proof-of-concept
  • Fjärr-MCP-servrar via URL - --mcp https://... med valfri autentisering via Bearer-token
Terminal - apfel + MCP
# give the model a calculator
$ apfel --mcp ./mcp/calculator/server.py \
  "What is 15 times 27?"

tool: multiply({"a": 15, "b": 27}) = 405
15 times 27 is 405.

# attach multiple servers
$ apfel --mcp ./calc.py --mcp ./weather.py \
  "What is sqrt(2025)?"

tool: sqrt({"n": 2025}) = 45.0
The square root of 2025 is 45.

# remote MCP server over HTTPS
$ apfel --mcp https://mcp.example.com/v1 "query"

# server mode - tools auto-available to all clients
$ apfel --serve --mcp ./calc.py

Så fungerar det.

Apple har byggt in en LLM i varje Mac. Den bara ligger där. apfel ger den en ytterdörr - helt utan konfiguration.

Apple levererar en LLM på enheten

Från och med macOS 26 (Tahoe) innehåller varje Mac med Apple Silicon en språkmodell som en del av Apple Intelligence. Apple exponerar den via FoundationModels-ramverket - ett Swift-API som ger appar åtkomst till SystemLanguageModel. All inferens körs på Neural Engine och GPU:n. Inga nätverksanrop, inget moln, inga API-nycklar. Modellen finns bara där.

Men Apple använder den bara för Siri

Som standard driver modellen på enheten Siri, Writing Tools och systemfunktioner. Det finns inget terminalkommando, ingen HTTP-endpoint, inget sätt att pipa text genom den. FoundationModels-ramverket finns, men du måste skriva en Swift-app för att använda det. Det är precis vad apfel gör.

Vad apfel tillför

apfel är en Swift 6.3-binär som omsluter LanguageModelSession och exponerar den på tre sätt: som ett UNIX-kommandoradsverktyg med stdin/stdout, som en OpenAI-kompatibel HTTP-server (byggd på Hummingbird) och som en interaktiv chatt med kontexthantering.

Den sköter det som Apples råa API inte gör: korrekta exitkoder, JSON-utdata, bifogade filer, fem strategier för att trimma kontexten i det lilla kontextfönstret (4 096 tokens, 8 192 på M3 och nyare Macar med macOS 27), riktig tokenräkning via SDK:n och konvertering av OpenAI-verktygsscheman till Apples eget Transcript.ToolDefinition-format.

hårdvara Apple Silicon (Neural Engine + GPU)
|
modell Apples LLM på enheten (levereras med macOS)
|
sdk FoundationModels.framework (Swift-API)
|
apfel CLI + HTTP-server + kontexthantering
|
du Terminal, shellskript, OpenAI SDK:er, curl
4 096 eller 8 192 tokens Kontextfönster (indata + utdata). 4 096 på macOS 26 och på M1/M2-Macar; 8 192 på M3 eller nyare med 12 GB+ på macOS 27. apfel läser av det vid körning.
1 modell Fast, går inte att konfigurera
Swift 6.3 Strikt concurrency, ingen Xcode
MIT-licens Öppen källkod

Privat från grunden.

Inte ett enda HTTP-anrop medan du använder apfel. Varje påstående nedan länkar till Apples egen dokumentation.

På enheten. Fungerar offline.

FoundationModels-ramverket körs helt på Neural Engine i din Apple Silicon. Ingen server, inget moln, ingen internetanslutning behövs.

"You can build experiences that are smart, private, and work without internet connectivity." - Apple Developer

Din data förblir din.

Apple samlar inte in prompter, svar eller någon användningsdata från inferens på enheten. Ingenting lagras, ingenting skickas.

"The cornerstone of Apple Intelligence is on-device processing." - Apple Privacy

Används aldrig för träning.

Apple tränar sina grundmodeller enbart på licensierad och offentlig data. Dina interaktioner blir aldrig en del av träningen.

"We do not use our users' private personal data or user interactions when training our foundation models." - Apple ML Research

Noll spårning från apfel.

Ingen analys, ingen telemetri, inga automatiska uppdateringskontroller, ingen kraschrapportering, inget som ringer hem. Det enda nätverksanrop apfel någonsin gör är när du uttryckligen kör apfel --update. Hela kodbasen är öppen källkod.

Kraftfulla verktyg ingår.

Shellskript i mappen demo/. Installera apfel först och hämta sedan de du vill ha.

>_

cmd

Från naturligt språk till shellkommando. Säg vad du vill, få kommandot.

$ cmd "find all .log files modified today"
|>

oneliner

Pipe-kedjor från vanligt språk. awk, sed, sort, uniq - genererade åt dig.

$ oneliner "count unique IPs in access.log"
**

mac-narrator

Berättar om din Macs systemaktivitet som en naturdokumentär.

$ mac-narrator --watch
?

explain

Förklarar valfritt kommando, felmeddelande eller kodsnutt i klartext.

$ explain "awk '{print $1}' file | sort -u"
./

wtd

Vad är det här för katalog? Snabb överblick över vilken kodbas som helst.

$ wtd
++

gitsum

Sammanfattar de senaste git-commitsen i några meningar.

$ gitsum

30 användbara och coola one-liners.

Varje kommando är testat på en riktig Mac. Kedja apfel med ps, lsof, du, vm_stat, git, pbpaste, sleep, pgrep, curl, say - komponerbarhet som moln-AI inte kan matcha, eftersom den inte ser dina processer, ditt urklipp, din git diff. Det gör apfel.

Systemet just nu 8

Vad som äter upp min CPU just nu.

$ps aux | sort -k 3 -nr | head -5 | awk '{print $11, $3"%"}' | apfel "which app is using the most CPU"

-> WindowServer använder mest CPU: 42,6 %.

Vilka appar som lyssnar på vilka portar.

$lsof -iTCP -sTCP:LISTEN -n -P | head -15 | apfel "list which apps own which ports as a table"

-> 11434 fichten, 18789 node, 5000 ControlCenter ...

Vilken volym som är närmast full.

$df -h | apfel "which volume is fullest, one sentence"

-> /dev/disk3s1 är fullast med 263Gi av 926Gi.

vm_stat översatt till klartext.

$vm_stat | apfel "explain my memory usage in plain english, one sentence"

-> 349k sidor aktiva, 266k wired - en hel del minne används.

Vilka mappar här som tar mest diskutrymme.

$du -sh */ 2>/dev/null | sort -rh | head -5 | apfel "which folders are eating most disk, one sentence"

-> Library med 36G och Downloads med 604M dominerar.

Största filerna i den här mappen.

$ls -laS | head -10 | apfel "what are the biggest files here, just file names"

-> apfel-quick-preview.png, og.png, translate-preview.png ...

Vilka appar som pratar med internet just nu.

$lsof -i -nP 2>/dev/null | grep ESTABLISHED | awk '{print $1, $9}' | head -10 | apfel "which apps are talking to the internet right now, short answer"

-> node → 157.240.253.60:443, claude.ex → 160.79.104.10:443, Google → 66.102.1.188:5228 ...

Batterihälsa och återstående tid på en rad.

$pmset -g batt | apfel "battery health and percent, one line"

-> Fulladdat, hälsa 100%, aktivt just nu.

Git 2

Sammanfatta dina senaste commits i klartext.

$git log --oneline -20 | apfel "summarize what I have been working on"

-> Uppdateringar från v1.2.1 till v1.3.2, systerprojekt tillagda ...

Skriv en release note på en rad utifrån de senaste commitsen.

$git log --oneline -5 | apfel "write a one-line release note based on these commits"

-> Släppte v1.3.2 med 5053 stjärnor, 783 tester, uppdateringar.

Urklipp fram och tillbaka 4

Rätta grammatiken i det som ligger i urklippet och lägg tillbaka rättelsen.

$pbpaste | apfel "fix grammar" | pbcopy

-> "i has went" blir "I went" - tillbaka i urklippet.

Översätt urklippet till japanska och lägg tillbaka det.

$pbpaste | apfel "translate to japanese" | pbcopy

-> Urklippet innehåller nu den japanska översättningen.

Sammanfatta en textvägg från urklippet i 3 punkter.

$pbpaste | apfel "summarize in 3 bullets"

-> 3 koncisa punkter i din terminal.

Plocka ut tydliga åtgärdspunkter ur mötesanteckningarna i urklippet.

$pbpaste | apfel "extract just the action items as a clean bullet list, no other text" | pbcopy

-> "Sarah drafts Q3 budget", "email design team", ... tillbaka i urklippet.

Bevaka och meddela 6

Låt Macen säga till högt när en lång uppgift är klar (här om 30 minuter).

$sleep 1800 && apfel "tell me cheerfully my long task just finished, one short sentence" | say

-> Macen säger: "Your long task just finished, well done!"

Vänta tills en fil dyker upp i Downloads och meddela det.

$until [ -e ~/Downloads/Report.pdf ]; do sleep 5; done; apfel "tell me my download just landed, one cheerful sentence" | say

-> Kollar var 5:e sekund; när Report.pdf dyker upp säger Macen till.

Vänta tills en långvarig process avslutas och meddela det.

$while pgrep -q ffmpeg; do sleep 5; done; apfel "tell me cheerfully that my video encoding is done, one short sentence" | say

-> Kollar var 5:e sekund; när ffmpeg dör säger Macen till.

Var 30:e minut: sammanfatta högt vad du just har levererat.

$while sleep 1800; do git log --since="30 min ago" --oneline | apfel "summarize my last 30 minutes of work in one cheerful sentence" | say; done

-> Automatisk standup varje halvtimme, uppläst medan du fortsätter koda.

Var 15:e minut: varna högt om batteriet sjunker under 20 procent.

$while sleep 900; do P=$(pmset -g batt | grep -oE "[0-9]+%" | head -1 | tr -d %); [ "$P" -lt 20 ] && apfel "battery just dropped to $P percent, write one short sentence that is friendly but super urgent telling me to plug in NOW" | say; done

-> Tyst tills batteriet sjunker; sedan ropar Macen ut en vänlig men brådskande varning.

Bevaka en URL tills den svarar med 2xx och fira sedan deployen högt.

$until curl -sf https://staging.example.com/health >/dev/null; do sleep 30; done; apfel "tell me cheerfully that my deploy is live and the URL is responding, one short sentence" | say

-> Kollar var 30:e sekund tills staging är uppe; Macen säger "Your deploy is live, URL is responding!".

Webb och text 4

Formulera om en vardaglig rad till något artigt.

$echo "hey can u send me docs asap" | apfel "rephrase politely"

-> "Could you please share the documents at your earliest ..."

Anropa en URL och fråga vad som händer, bara utifrån headers.

$curl -sI https://github.com | apfel "explain what happens at this URL in one sentence, based on the HTTP headers"

-> GitHub levererar en HTML-sida med strikt cachning och säkerhetsheaders.

Dagens Hacker News, sammanfattat i en mening och uppläst.

$curl -s https://news.ycombinator.com | grep titleline | sed "s/<[^>]*>//g" | apfel "summarize hacker news today in one cheerful sentence" | say

-> Macen läser upp dagens toppnyheter i en koncis sammanfattning.

Förklara en JSON-blob i klartext.

$echo '{"name":"alice","plan":"pro","credits":42}' | apfel "explain this JSON in one sentence"

-> En användare som heter Alice, med pro-abonnemang och 42 krediter.

Snabba uppslag 8

Matte utan att öppna en miniräknare.

$apfel "what is 15% tip on 87.50, just the number"

-> 13.13

Generera ett regex utan att lämna terminalen.

$apfel "regex for a valid email address, just the regex"

-> ^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$

Fråga efter bash-one-linern du har glömt.

$apfel "give me one find command that lists files larger than 100MB, just the bash command"

-> find / -type f -size +100M

Förklara ett kryptiskt kommando i stället för att gissa.

$apfel "explain the command tar -xzvf file.tar.gz in one sentence"

-> Packar upp och extraherar ett gzippat tarball-arkiv i aktuell katalog.

Glömt det exakta git-kommandot? Fråga bara.

$apfel "git command to uncommit but not unedit my last commit, just the command"

-> git reset --soft HEAD~1

Tyd någon annans regex i en mening.

$apfel "explain this regex in one sentence: ^\d{3}-\d{4}$"

-> Matchar ett 3-siffrigt prefix, ett bindestreck och 4 siffror - ett amerikanskt telefonnummerformat.

Konvertera en vardaglig datumsträng till ISO 8601.

$apfel "convert 'Sat Apr 27 2026 11:30' to ISO 8601 (YYYY-MM-DDTHH:MM:SS), reply only with the converted string"

-> 2026-04-27T11:30:00+00:00

Sammanfatta en hel fil i 3 punkter.

$apfel -f README.md "summarize in 3 bullets"

-> 3 punkter om omfattning, installation och användning.

OpenAI-kompatibel.

Byt en URL. Behåll din kod.

Drop-in-ersättare

apfel talar OpenAI API. Alla klientbibliotek, ramverk och verktyg som pratar med OpenAI kan prata med din Macs AI i stället. Byt bara bas-URL:en.

  • ✓ POST /v1/chat/completions
  • ✓ POST /v1/responses (Responses API)
  • ✓ Streaming (SSE)
  • ✓ Tool calling / function calling
  • ✓ GET /v1/models
  • ✓ response_format: json_object, json_schema
  • ✓ image_url-delar som data-URL:er (macOS 27)
  • ✓ temperature, max_tokens, seed
  • ✓ CORS för webbläsarklienter
Python
from openai import OpenAI

# Just change the base_url. That's it.
client = OpenAI(
    base_url="http://localhost:11434/v1",
    api_key="unused"  # no auth needed
)

resp = client.chat.completions.create(
    model="apple-foundationmodel",
    messages=[{
        "role": "user",
        "content": "What is 1+1?"
    }],
)
print(resp.choices[0].message.content)

Samma modell som Apples fm. Annat jobb.

macOS 27 levereras med fm, Apples eget kommandoradsgränssnitt för modellen på enheten. Här skiljer sig de två åt.

 apfelApple fm
Körs påmacOS 26 och 27, en binärEndast macOS 27
Installerabrew install apfelRedan på plats (sudo fm license en gång)
OpenAI-klienter fungerar oförändradeJa: JSON som standard, usage, max_tokens respekteras, fel mappasStreamar om man inte ber om annat, ignorerar max_tokens, 500 vid guardrails
Tool calling och MCPInbyggda verktygsanrop, lokala och fjärranslutna MCP-servrarInget (tools läcker malltokens in i svaret)
Skriptning--code, -o json, 9 exitkoder, --count-tokens --strictRen text, exit 0 eller 1
Filer som indataText, PDF, bilder: OCR-text på båda systemen, plus själva bilden till modellen på macOS 27Bilder till modellen, plus inbyggda verktyg för OCR och streckkoder
Chattsessioner som sparasNejNamngivna transkript, --resume
HastighetSamma modell på samma Mac, samma kontextfönster (4 096 tokens på denna M2, 8 192 på M3 och nyare), identiska tokenantal. Enstaka prompt: 0,35 s mot 0,30 s.

En kort historik. apfel kom först: första commit och v0.1.0 den 24 mars 2026, första GitHub-release den 31 mars 2026, förstasidan på Hacker News i april. Apple presenterade fm på WWDC den 8 juni 2026 och släppte det med macOS 27 den 14 september 2026. Båda kör samma modell på enheten via samma FoundationModels-ramverk; apfel är det som har öppen källkod, och det som även körs på macOS 26.

Varje rad mättes på macOS 27.0.1 (Apple M2, 24 GB) den 2026-10-05 och mäts om inför varje apfel-release. På hela sidan finns servertesterna, tabellen över tokenantal och alla kommandon för att återskapa resultaten.

Populärt på GitHub.

Från noll till 6,610 stjärnor, och det fortsätter.

6,610
GitHub-stjärnor
251 forks
2450 tester
v1.18.0 släppt

Starred by engineers from Apple, Google, VMware, NVIDIA, and PlayStation.

Stjärnmärk på GitHub
0 1,000 2,000 3,000 4,000 5,000 6,000 7,000 8,000 5,012 APR 28 6,016 JUL 10 6,610 NOW Mar 24 Apr 3 · HN front page Nov 16

Data per

Kom igång.

Inga modellnedladdningar. Ingen registrering. Inga API-nycklar. Bara det här.

Homebrew

macOS 26+ med Apple Intelligence
$ brew install apfel
$ apfel "Hello, Mac"

Bygg från källkod

kräver CLT + macOS 27 SDK (körs på 26 och 27)
$ git clone https://github.com/Arthur-Ficial/apfel.git
$ cd apfel && make install

apfel-trädet.

En växande familj av inbyggda macOS-verktyg byggda på apfel - och systerprojekt som tar andra Apple-ramverk till terminalen.

apfel-chat - privat AI-chatt för macOS

apfel-chat

Chattklient för macOS med flera samtal. Streamande markdown, tal in/ut, bildanalys - helt privat, inga API-nycklar, inget moln.

SwiftUI Produktionsklar
apfelpad - formelblock med AI på enheten

apfelpad

Ett formelblock för tankearbete. Skriv =apfel("summarize this") i din markdown och se svaret streamas direkt i texten. Som =SUM, fast för språk.

SwiftUI Ny
apfel-quick - omedelbar AI-overlay för macOS

apfel-quick

Omedelbar AI-overlay. Tryck Ctrl+Space var som helst, skriv en fråga och svaret streamas till ditt urklipp. Inget wifi, inget konto, ingen räkning.

SwiftUI Ny
Skärmbild av apfel-gui

apfel-gui

Inbyggt SwiftUI-debug-GUI för macOS. Chatta med Apple Intelligence, inspektera förfrågningar och svar, loggar, tal-till-text, text-till-tal - allt på enheten.

SwiftUI
apfel-clip - AI-åtgärder för urklippet

apfel-clip

AI-åtgärder för urklippet direkt från menyraden. Tryck cmd+shift+V på valfri text - rätta grammatik, översätt, förklara kod, sammanfatta. Helt på enheten, inga API-nycklar.

SwiftUI Produktionsklar
apfel-mcp - MCP-servrar för apfel

apfel-mcp

Ge apfel tillgång till webben och dina filer. Fyra små MCP-verktyg - url-fetch, ddg-search, search-and-fetch och en skrivskyddad filläsare - alla trimmade för apfels lilla kontextfönster (4 096 tokens på de flesta Macar, 8 192 på M3 och nyare med macOS 27).

Python Ny
apfel-run - beständigt MCP-register

apfel-run

Liten UNIX-wrapper som ger apfel ett beständigt MCP-register. Slå på och av MCP-servrar med namn i en vanlig textfil. Överlever omstarter, inget GUI, ingen daemon.

Shell Ny
apfel-server-kit - Swift-paket för ekosystemets verktyg

apfel-server-kit

Delat Swift-paket som driver ekosystemet. Hitta, starta och streama från en lokal apfel --serve-process. Ryggraden som varje SwiftUI-app för apfel pratar med.

Swift Ny
auge - Apples Vision-ramverk i terminalen

auge

Systerprojekt. apfel sköter språk; auge sköter syn. En CLI för OCR, bildklassificering, streckkoder och ansiktsdetektering - 100% på enheten via Apples Vision-ramverk. Inga API-nycklar, inget moln.

Swift Systerprojekt
translate - Apples Translation-ramverk i terminalen

translate

Systerprojekt. UNIX-filter plus HTTP-server som direkt ersätter DeepL, LibreTranslate och Google v2 - drivs av Apples Translation-ramverk på enheten. 100% på enheten, strikt garanterat av NetworkGuard. Inga API-nycklar, inget moln.

Swift Systerprojekt

Vanliga frågor.

Frågor hämtade från Hacker News och Reddit.

Vilken macOS-version behöver jag?
macOS 26 (Tahoe) eller senare. FoundationModels-ramverket finns bara i Tahoe. Fungerar inte på Sequoia eller tidigare. Kräver Apple Silicon (M1 eller senare).
Kommer apfel åt mina personliga data?
Nej. FoundationModels-ramverket har ingen som helst åtkomst till kontakter, mejl, kalender, bilder eller Semantic Index. Det är förbehållet Apples egna funktioner.
Lämnar någon data min Mac?
Nej. Två skyddslager värnar din integritet.

Modellen: Apples FoundationModels-ramverk fungerar utan internetanslutning och körs helt på Neural Engine. Dina prompter och svar lämnar aldrig enheten. Användardata används aldrig för träning.

Verktyget: apfel ser till att det förblir så. Ingen analys, ingen telemetri, ingen spårning, inga automatiska uppdateringskontroller, ingen kraschrapportering, inget som ringer hem. Öppen källkod och granskningsbart.
Hur stort är kontextfönstret?
4 096 tokens (~3 000 ord) för indata och utdata tillsammans på macOS 26 och på M1/M2-Macar. På macOS 27 får Macar med M3-chip eller nyare och minst 12 GB Apples större modell på enheten (AFM 3 Core Advanced) med 8 192 tokens. apfel hårdkodar det aldrig: apfel --model-info visar fönstret som din Mac faktiskt har. Perfekt för shellskript, sammanfattningar och textomvandlingar. Inte lämpat för långa samtal eller stora dokument.
Vad är modellen bra på? Var har den svårt?
Bra på: shellskript, textomvandling, klassificering, korta sammanfattningar, omstrukturering av JSON, översättning.

Begränsad: matte, faktakunskap, långa samtal, komplex kodgenerering.

Modellen vägrar hellre än hallucinerar. Ett medvetet designval från Apple.
Är serverläget säkert?
Avstängt som standard. När det är på: autentisering med Bearer-token (--token), kontroll av origin, loggendpoints endast i debugläge. Detaljer i server-security.md.
Måste jag aktivera Apple Intelligence?
Ja. Systeminställningar > Apple Intelligence & Siri > aktivera. Då laddas modellen ner. Du behöver inte använda Siri, bara aktivera det. Apples installationsguide.
Hur uppdaterar jag apfel?
apfel --update. Känner av installationsmetoden, letar efter en nyare version och frågar innan uppgraderingen. Manuellt: brew upgrade apfel eller git pull && make install.
Vilken modell används?
Apples egen AFM (Apple Foundation Model), ungefär 3 miljarder parametrar med blandad 2-bitars och 4-bitars kvantisering. Inte OpenAI. Levereras med macOS Tahoe och körs helt på enheten, på Neural Engine.
Hur skiljer sig apfel från Ollama eller LM Studio?
Ingen LLM-nedladdning, direkt start, inget att ställa in. apfel använder modellen som redan finns på din Mac. Ollama och LM Studio erbjuder fler modeller och större kontextfönster men kräver separata nedladdningar och konfiguration. Olika verktyg för olika behov.
Stöder apfel MCP och tool calling?
Ja. MCP är inbyggt. Ange --mcp <server> för att koppla in verktyg. Guide till tool calling.
Hur skiljer sig apfel från Apples egen fm-CLI på macOS 27?
Samma modell, annat jobb. macOS 27 levereras med fm, Apples kommandoradsgränssnitt för samma modell på enheten. apfel lägger till den OpenAI-kompatibla servern med tool calling, MCP, JSON Schema-utdata, bildindata som data-URL:er, ärliga exitkoder och stöd för macOS 26. Uppmätt sida vid sida: apfel vs fm.
Har apfel någon telemetri eller funktioner som ringer hem?
Inga alls. apfel kontaktar aldrig någon server i bakgrunden. Det enda nätverksanropet sker när du uttryckligen kör apfel --update, som kollar Homebrew efter en nyare version. Öppen källkod och granskningsbart.
Vem har skapat det här?
apfel är skapat av Franz Enzenhofer (systemtänkare, författare, utvecklare sedan C64-tiden, AI-mekaniker) / franze på HN / grundare av Full Stack Optimization och franzai.com.

Underhålls även av Arthur Ficial, en OpenClaw-instans som körs på Anthropics Claude Opus. Utvecklas till stor del med Claude Code och Codex. Alltid i läget high thinking / high effort.

Start: 24 mars 2026.
Hur testas det?
334 enhetstester + 216 integrationstester (end-to-end, kompatibilitet med OpenAI-klienter, validering mot OpenAPI-specen, säkerhet, prestanda). 550 tester totalt per den 12 april 2026.
Hur började apfel?
apfel började som ett försök att köra OpenClaw på Apple Intelligence i ett extremt tokensnålt läge. Det gick inte på grund av kontextfönstret på 4K. Men det visade sig att en lokal, snabb, skriptbar LLM som körs på enheten, alltid finns till hands, inte kräver någon konfiguration och sätter integriteten först är otroligt häftig, kraftfull, rolig och intressant.