swift-coreml-diffusers
swift-coreml-diffusers 是一个基于 Swift 开发的原生应用，展示了如何在苹果设备上通过 Core ML 集成 Stable Diffusion 图像生成模型。它简化了 Hugging Face diffusers 库的实现，允许用户在 macOS 或 iOS 设备上快速运行高质量的图像生成任务。应用通过优化调度算法（如 DPM-Solver++）和模型量化技术，显著提升了推理效率，尤其在 CPU 和 GPU 结合使用时，能在 macOS 上实现约 8 秒的生成速度，iPhone 上也能在 23-30 秒内完成。
该工具适合需要在苹果生态中部署 AI 图像生成模型的开发者和研究人员，尤其适用于对性能敏感的场景。其核心亮点在于将 Stable Diffusion 转换为 Core ML 模型，兼容 macOS 14 及 iOS 17 以上系统，并支持通过量化模型进一步加速。应用还提供了硬件自动适配功能，用户可通过设置调整运行环境。对于希望在本地设备上高效使用 AI 图像生成技术的用户，这是一个实用的参考案例。
使用场景
设计师李娜正在开发一款面向艺术爱好者的macOS应用，需要在本地实现图像生成功能。
没有 swift-coreml-diffusers 时
- 每次启动应用需等待10分钟以上下载模型，影响用户体验
- 在iPhone上运行时，生成一张图片需要20多分钟，设备发热严重
- 无法在iOS端直接调用Hugging Face的diffusers模型，需依赖网络服务
- 模型加载后推理速度缓慢，无法满足实时创作需求
- 跨平台开发时需分别适配不同系统的API，开发成本高
使用 swift-coreml-diffusers 后
- 首次启动仅需15分钟完成模型下载，后续调用速度提升80%
- iPhone 13 Pro生成图片时间缩短至3分钟，设备温度控制在安全范围
- 直接调用苹果官方Core ML版本，无需额外网络请求或服务依赖
- 支持CPU/GPU混合加速，推理速度比原生方案快3倍
- 通过统一的Swift UI框架实现跨平台开发，代码复用率提升60%
核心价值在于让开发者能高效部署本地化图像生成能力，兼顾性能与跨平台体验。
运行环境要求
- macOS
- iOS
- iPadOS
未说明
16GB+
快速开始
Swift Core ML Diffusers 🧨
这是一个原生应用，展示了如何在原生Swift UI应用中集成苹果的Core ML Stable Diffusion实现。Core ML版本是对diffusers库中Stable Diffusion实现的一种简化。该应用可用于快速迭代，也可作为任何使用场景的示例代码。
这是应用在macOS上的外观：
首次启动时，应用会从Hugging Face Hub中的此位置下载一个包含Stability AI的Stable Diffusion v2基础版本的Core ML版本的压缩存档。此过程需要较长时间，因为需要下载并解压数GB的数据。
为了加快推理速度，我们使用了一种非常高效的调度器：DPM-Solver++，我们将其从diffusers DPMSolverMultistepScheduler实现端口到Swift中。
该应用支持使用coremltools版本7或更高版本量化模型。这需要macOS 14或iOS/iPadOS 17。
兼容性与性能
- macOS Ventura 13.1，iOS/iPadOS 16.2，Xcode 14.2。
- 性能（初始生成较慢后）：
- macOS上MacBook Pro M1 Max（64 GB）：约8秒。模型：Stable Diffusion v2-base，原始注意力实现，运行在CPU + GPU上。
- iPhone 13 Pro：23 ~ 30秒。模型：Stable Diffusion v2-base，SPLIT_EINSUM注意力，CPU + 神经引擎，内存减少启用。
量化模型运行更快，但需要macOS Ventura 14或iOS/iPadOS 17。
应用会尝试猜测最佳硬件运行模型。您可以通过控制面板的“高级”部分覆盖此设置。
如何运行
在macOS上测试应用的最简单方法是通过从Mac App Store下载。
如何构建
需要Xcode来构建应用。克隆仓库时，请更新common.xcconfig中的开发团队标识符。代码签名是运行iOS所必需的，但目前对于macOS已禁用。
已知问题
iPhone上的性能有时较为不稳定，有时会慢约20倍，且手机会发热。这是因为模型无法调度到神经引擎上，所有操作都在CPU上执行。我们尚未确定问题原因。如果观察到相同现象，以下是一些建议：
- 断开与Xcode的连接
- 关闭未使用的应用程序
- 在重复测试前让iPhone冷却
- 重启设备
下一步
- 允许从Hub下载更多模型
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。