跑在手机、电脑与边缘设备上的 AI：小模型、本地推理与端侧芯片的进展。
Hugging Face 发布了基于 Transformers.js 构建纯浏览器端运行机器学习网页游戏 Doodle Dash 的完整教程与开源代码。项目微调了 5.6M 参数量的 apple/mobilevit-small 模型并导出为 ONNX 格式，通过 Web Worker 在独立线程中执行实时推理，预测帧率超过每秒 60 次且无需服务器支持。
推荐理由：教程展示了轻量视觉模型微调、ONNX 转换及在 Web Worker 中无服务端运行的完整链路，读者可直接复用于端侧交互应用开发。
Hugging Face 介绍了利用苹果 Core ML 最新优化与 coremltools 在苹果设备上加速 Stable Diffusion 的实践，并已将 4 款官方模型的 6-bit 量化版本上传至 Hub。
推荐理由：文章详细拆解了通过 Core ML 进行 6-bit 调色板量化与注意机制优化的完整步骤，为端侧文生图推理提供了实操参考。
Hugging Face 宣布在 Mac App Store 上线开源原生应用 Diffusers for Mac 1.1，基于 Core ML 在本地运行 Stable Diffusion 等扩散模型。新版本根据 Mac 芯片规格自动调度 GPU 或神经引擎，文生图速度最高可提升至前版的两倍。该版本还改进了用户界面，新增模型下载进度提示、随机种子复用以及引导比例调整等设置。
推荐理由：原文实测了不同苹果芯片调用神经引擎与图形处理器的性能差异，为端侧扩散模型的硬件调度提供了参考。
Hugging Face 提供了在 Apple Silicon 上使用 Core ML 运行 Stable Diffusion 的完整实战指南，并将预转换的模型权重托管至 Hugging Face Hub。该方案支持 CPU、GPU 及神经引擎等计算单元，适配 Python 与原生 Swift 推理，并在 M1 Max 设备上实现了 18 秒单张图像的生成速度。
推荐理由：原文提供了将扩散模型适配至苹果硬件的完整步骤，开发者可直接复用代码在本地实现端侧推理加速。