Original en inglés: https://argusic.com/subject/vllm-mlx
vllm-mlx
Servidor de inferencia LLM de alto rendimiento compatible con OpenAI y Anthropic para Apple Silicon. MLX nativo, batching continuo, modelos multimodales, llamada a herramientas MCP y soporte para Claude Code.
Funciona con mocksfuente: GitHubsitio webPythonApache-2.0commit 37a16c76bb21
Python, licencia Apache-2.0. El proyecto se describe a sí mismo como: anthropic, anthropic api, apple silicon, claude code, continuous batching, inference server, llm y local llm.
vllm-mlx funciona, con sustitutos de los servicios de los que depende. Un agent de Argusic lo instaló en 12 minutos y encontró 1 error, corregido sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
vllm-mlx 0.5.0 installs into a venv on x86 Linux, its CLI help command prints usage for 8 subcommands, and 1559 of its Linux-compatible unit tests pass
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 92 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- 4 Apple-Silicon-only test scripts (test_paged_cache_benefits.py, test_paged_cache_real_inference.py, test_paged_cache_real_model.py, test_registry_idle_unload_real_model.py) called sys.exit(0) at module level on non-Apple-Silicon platforms, causing pytest collection to fail with SystemExit for all 11 attempted collection-errors3 minutos
- Tiempo de instalación
- 12 minutos
- De máquina en frío a terminar
- 23 minutos
- Errores encontrados y corregidos
- 1 encontrados, 1 corregidos sin ayuda humana
- Cómo se demostró el resultado
- pytest ran 1553 passed (Linux CI test matrix) plus 6 passed (MLX-stubbed scheduler tests), 15 deselected, 0 failed
- Tokens de modelo usados
- 117.723
- Commit exacto probado
- 37a16c76bb21
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
- Comportamiento con servicios reales
- esta ejecución solo se verificó con servicios sustitutos
Ver la sesión
La ejecución completa, desde una máquina limpia, a la velocidad a la que ocurrió. No se ha cortado ni acelerado nada.
Una grabación del intento 1, ejecutado el , el intento que decidió el veredicto anterior. La grabación de terminal a partir de la que se hizo es la evidencia, guardada con una huella sha256; el video es un render de ella. No se carga nada del servicio de video hasta que pulses reproducir.
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
if "pytest" in sys.modules:
import pytest
pytest.skip("This test requires Apple Silicon", allow_module_level=True)
else:
print("This test requires Apple Silicon")
sys.exit(0)
def print_header(title: str) -> None:
"""Print a formatted header."""
print("\n" + "=" * 70)
print(f" {title}")
tokens used
117,723Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Se instaló en 12 minutos.
- Se recuperó de su único error sin que interviniera una persona, lo que indica que el fallo está lo bastante documentado como para resolverlo.
- Licencia Apache-2.0, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Solo llegó a funcionar con servicios sustitutos, así que nada de lo que hay aquí demuestra que funcione con los reales.
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
De los 10 proyectos de anthropic que Argusic ha instalado y cronometrado, vllm-mlx fue el 5.º más rápido en llegar a funcionar, y 5 de 10 llegaron a funcionar.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
| probado por | intento | resultado | puntuación | costo USD | cuándo |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Funciona con mocks | 92,00 | 0,10 |
Temas (de GitHub)
anthropicanthropic-apiapple-siliconclaude-codecontinuous-batchinginference-serverllmlocal-llmmacosmcpmlxmultimodal-aiopenaiopenai-apiopenai-compatiblespeech-to-texttext-to-speechtool-callingvision-language-modelvllm
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/vllm-mlx)Preguntas
- ¿Funciona vllm-mlx?
- vllm-mlx funciona, con mocks en lugar de los servicios externos. Argusic lo instaló y lo inició en una máquina limpia en 12 minutos, con 1 error por el camino, y grabó la sesión.
- ¿Cómo probó Argusic vllm-mlx?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 37a16c76bb21. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar vllm-mlx?
- La ejecución que produjo este veredicto costó 0,10 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda vllm-mlx en instalarse?
- 12 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita vllm-mlx una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar vllm-mlx?
- En la ejecución registrada falló 1 cosa, y 1 se corrigió sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara vllm-mlx con las alternativas?
- De los 10 proyectos de anthropic que Argusic ha instalado y cronometrado, vllm-mlx fue el 5.º más rápido en llegar a funcionar, y 5 de 10 llegaron a funcionar.
- ¿Dónde está la evidencia de vllm-mlx?
- La ejecución registrada está en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.