开源AI工具：Local LLM Testing & Benchmarking for Apple Silicon
AI Skill Hub 推荐使用：开源AI工具：Local LLM Testing & Benchmarking for Apple Silicon 是一款优质的AI工具。AI 综合评分 7.5 分，在同类工具中表现稳健。如果你正在寻找可靠的AI工具解决方案，这是一个值得深入了解的选择。
**为什么要使用开源工具而非商业 SaaS？**
对于个人开发者和有隐私需求的用户，本地部署的开源工具意味着数据不离本机，不受第三方服务商的数据政策约束。同时，开源工具通常没有使用次数限制和月度费用，一次安装即可长期使用，对于高频使用场景的总拥有成本（TCO）远低于订阅制商业工具。
**安装与环境准备**
开源AI工具：Local LLM Testing & Benchmarking for Apple Silicon 依赖 Swift 运行环境。建议通过 pyenv（Python）或 nvm（Node.js）管理 Swift 版本，避免全局环境污染。对于新手用户，推荐先创建虚拟环境（python -m venv venv && source venv/bin/activate），再安装依赖，这样即使出现问题也可以随时删除虚拟环境重新开始，不影响系统稳定性。
**社区与维护**
GitHub Issue 和 Discussion 是获取帮助的最快渠道。在提问前建议先检查 Closed Issues（已关闭的问题），大多数常见问题都已有解答。遇到 Bug 时，提供 pip list 的输出、完整错误堆栈和最小可复现示例，能显著提高开发者响应速度。AI Skill Hub 将持续追踪 开源AI工具：Local LLM Testing & Benchmarking for Apple Silicon 的版本更新，及时通知重要功能变化。
本项目提供了一个开源的AI工具，用于在Apple Silicon设备上测试和benchmarkingLLM模型。它支持GPU加速和 inference功能，适合开发者和研究人员使用。
开源AI工具：Local LLM Testing & Benchmarking for Apple Silicon 是一款基于 Swift 开发的开源工具，专注于 installable、apple-silicon、benchmarking 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
本项目提供了一个开源的AI工具，用于在Apple Silicon设备上测试和benchmarkingLLM模型。它支持GPU加速和 inference功能，适合开发者和研究人员使用。
开源AI工具：Local LLM Testing & Benchmarking for Apple Silicon 是一款基于 Swift 开发的开源工具，专注于 installable、apple-silicon、benchmarking 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
- 开源免费，支持本地部署，数据完全自主可控
- 活跃的 GitHub 开源社区，持续迭代更新
- 提供详细文档和使用示例，新手友好
- 支持自定义配置，灵活适配不同使用环境
- 可作为基础组件集成进现有技术栈或进行二次开发
- 本地部署运行，保护数据隐私，满足合规要求
- 自定义集成到现有系统，扩展技术栈能力
- 作为开源基础组件进行商业化二次开发
# 克隆仓库 git clone https://github.com/uncSoft/anubis-oss cd anubis-oss # 查看安装说明 cat README.md # 按 README 完成环境依赖安装后即可使用
- 访问 GitHub 仓库页面
- 按照 README 文档完成依赖安装
- 根据系统环境完成初始化配置
- 参考官方示例或文档开始使用
- 遇到问题可在 GitHub Issues 中查找解答
# 查看帮助 anubis-oss --help # 基本运行 anubis-oss [options] <input> # 详细使用说明请查阅文档 # https://github.com/uncSoft/anubis-oss
# anubis-oss 配置说明 # 查看配置选项 anubis-oss --config-example > config.yml # 常见配置项 # output_dir: ./output # log_level: info # workers: 4 # 环境变量（覆盖配置文件） export ANUBIS_OSS_CONFIG="/path/to/config.yml"
Anubis <img width="70" height="80" alt="anubis_icon (1)" src="https://github.com/user-attachments/assets/4369ce8d-8f3a-4502-9c49-6f3a82372e00" />
Local LLM Testing & Benchmarking for Apple Silicon | Community Leaderboard
🚨 Benchmark analysis is live! Check out the results here, over 375+ community submitted runs analyzed Benchmark Report
<img width=500 alt="image" src= "https://github.com/user-attachments/assets/02ff3976-21ed-446b-974b-1f573c5cf69b" />
Anubis is a native macOS app for benchmarking, comparing, and managing local large language models using any OpenAI-compatible endpoint - Ollama, MLX, oMLX, LM Studio Server, OpenWebUI, Docker Models, etc. Built with SwiftUI for Apple Silicon, it provides real-time hardware telemetry correlated with full, history-saved inference performance - something no CLI tool or chat wrapper offers. Export benchmarks directly without having to screenshot, and export the raw data as .MD or .CSV from the history. You can even OLLAMA PULL models directly within the app.
<img width="780" height="1100" alt="image" src="https://github.com/user-attachments/assets/c4b81dca-1a81-4b1e-8bbb-109a99a7e7bb" />
<img width="950" height="600" alt="image" src="https://github.com/user-attachments/assets/5da02ee4-ef48-4785-9c46-1803b07d553f" />
---
Backend Abstraction
All inference backends implement a shared protocol, making it straightforward to add new ones:
protocol InferenceBackend {
var id: String { get }
var displayName: String { get }
var isAvailable: Bool { get async }
func listModels() async throws -> [ModelInfo]
func generate(prompt: String, parameters: GenerationParameters)
-> AsyncThrowingStream<InferenceChunk, Error>
}---
What's New
Features
Requirements
- macOS 15.0 (Sequoia) or later
- Apple Silicon (M1 / M2 / M3 / M4 / M5 +) - Intel is not supported
- 8 GB unified memory minimum (16 GB+ recommended for larger models)
- At least one inference backend installed (Ollama recommended)
---
Dependencies
Resolved automatically by Swift Package Manager on first build:
| Package | Purpose | License |
|---|---|---|
| [GRDB.swift](https://github.com/groue/GRDB.swift) | SQLite database | MIT |
| [Sparkle](https://github.com/sparkle-project/Sparkle) | Auto-update framework | MIT |
| Swift Charts | Data visualization | Apple |
---
Getting Started
1. Install Ollama (or another backend)
```bash
macOS - install Ollama
brew install ollama
2. Build & Run Anubis
git clone https://github.com/uncSoft/anubis-oss.git
cd anubis-oss/anubis
open anubis.xcodeprojIn Xcode: 1. Set your development team in Signing & Capabilities 2. Build and run (Cmd+R)
Anubis will auto-detect Ollama on launch. Other backends can be added in Settings.
Building from Source
```bash
Build via command line
xcodebuild -scheme anubis-oss -configuration Debug build
High memory usage
- Use Sequential mode in Arena to run one model at a time
- Unload unused models via Arena > Models > Unload All
- Choose smaller quantized models (Q4_K_M over Q8_0)
Screenshots
GPU Core detail <img width="1282" height="830" alt="Screenshot 2026-02-25 at 4 08 44 PM" src="https://github.com/user-attachments/assets/7cf7d6f2-bcb5-4f96-b04b-19d96df29e87" />
Arena Mode <img width="1282" height="830" alt="Screenshot 2026-02-25 at 4 21 50 PM" src="https://github.com/user-attachments/assets/c364bd43-4300-4565-8e6b-7fcae9e8dcd8" />
Settings (add connections with quick presets) <img width="1282" height="830" alt="Screenshot 2026-02-25 at 4 24 00 PM" src="https://github.com/user-attachments/assets/ff9bb9fa-aa6e-472a-a787-5583a3883105" />
Vault - View model details, unload, and Pull models directly for Ollama <img width="1282" height="830" alt="Screenshot 2026-02-25 at 4 14 57 PM" src="https://github.com/user-attachments/assets/795157b5-efe8-4895-b499-beef25de9683" />
---
Troubleshooting
该项目提供了一个开源的AI工具，用于在Apple Silicon设备上测试和benchmarkingLLM模型。它支持GPU加速和inference功能，适合开发者和研究人员使用。然而，项目的文档和示例代码可能需要进一步完善。
- 开源免费，支持本地部署，数据完全自主可控
- 活跃的 GitHub 开源社区，持续迭代更新
- 提供详细文档和使用示例，新手友好
- 支持自定义配置，灵活适配不同使用环境
- 可作为基础组件集成进现有技术栈或进行二次开发
- 本地部署运行，保护数据隐私，满足合规要求
- 自定义集成到现有系统，扩展技术栈能力
- 作为开源基础组件进行商业化二次开发
- +GPL-3.0 协议，可免费商用
- +完全开源免费，无授权费用
- +本地部署，数据完全自主可控
- +开发者社区支持，遇问题可查可问
- −安装和初始配置可能需要一定技术基础
- −功能完整性通常不如成熟商业产品
- −技术支持主要依赖开源社区，响应速度不稳定
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
⚠️ GPL 3.0 — 强 Copyleft，衍生作品须开源，含专利保护条款，不可闭源使用。
总体来看，开源AI工具：Local LLM Testing & Benchmarking for Apple Silicon 是一款质量良好的AI工具，在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态，建议收藏备用，结合自身场景选择合适时机引入使用。
| 原始名称 | anubis-oss |
| 原始描述 | 开源AI工具：Local LLM Testing & Benchmarking for Apple Silicon。⭐153 · Swift |
| Topics | installableapple-siliconbenchmarkinggpuinferencellmswift |
| GitHub | https://github.com/uncSoft/anubis-oss |
| License | GPL-3.0 |
| 语言 | Swift |
收录时间：2026-05-22 · 更新时间：2026-05-23 · License：GPL-3.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。