Core ML
苹果推出的机器学习框架，用于在iOS/macOS设备上本地运行和部署AI模型，支持神经网络引擎加速推理，是端侧AI开发的核心工具链之一
核心事实
时间轴 (近 90 天)
苹果在macOS与iOS中提供Core ML、Metal以及近年推出的MLX框架，用于本地模型部署。
神经网络引擎是Apple Silicon中专门用于加速机器学习运算的独立模块，可通过Core ML框架调用。
端侧框架（如苹果的 Core ML、Create ML）则把模型直接打包进 App，在设备本地完成推理，优势是低延迟、离线可用、数据不出设备，缺点是模型体积和算力受限于手机硬件，通常需要事先做量化压缩。
对 iOS 生态来说，接入 AI 的门槛正在降低，开发者可以通过调用云端模型 API 或使用苹果提供的端侧机器学习框架获得 AI 能力，而不必自己训练模型。
早期 Neural Engine 只能通过 Core ML 间接调用，可表达的算子集合有限；较新的平台才逐步开放更底层的访问
苹果的 Core ML 框架可以加速语音识别模型在 Mac 上的推理，但 M 系列与 Intel 芯片之间的性能差异会影响转写的实时性和准确率。
Core ML 是苹果提供的端侧机器学习框架，开发者可以把训练好的模型转换为 .mlmodel 格式并集成到 iOS 应用中，系统会自动调度 CPU、GPU 和 Neural Engine 来加速推理。
选择工具时，通常先看任务是否需要自定义模型：通用任务优先用 ML Kit 这类现成 API，需要私有数据微调或特定领域精度时，再走 Core ML 或 TensorFlow Lite 的自定义模型路径。
苹果的 Metal Performance Shaders 与 Core ML 框架可将推理卸载到 GPU 和神经引擎，降低对 CPU 的占用。
在 iOS 设备上运行 Whisper 模型需要将模型转换为 Core ML 或使用 whisper.cpp 等推理框架，并借助 Apple Neural Engine 加速。
还有 19 条时间轴事件
全部知识事实 (20)
Apple Intelligence是苹果在WWDC 2024上发布的系统级AI框架
80%已验证Apple Core ML框架允许开发者将PyTorch或TensorFlow训练的模型转换为.mlmodel格式在本地运行，利用GPU和Neural Engine并行计算
75%已验证苹果自研芯片中的神经网络引擎（Neural Engine）是专为矩阵乘法和卷积运算优化的NPU，在特定AI推理任务上比通用CPU和GPU具有更高能效比
65%待验证在Apple Silicon设备上，借助Core ML转换工具和ANE加速，Whisper medium模型可实现接近实时的转录速度
75%部分验证苹果同时掌控芯片设计、操作系统和应用框架（如Core ML），能够实现从模型压缩到硬件调度的全链路优化
65%待验证Apple 在 macOS 14 中引入了增强版 Speech 框架以及 Core ML 对 Whisper 模型的优化转换
60%待验证苹果在macOS与iOS中提供Core ML、Metal以及近年推出的MLX框架，用于本地模型部署。
50%待验证神经网络引擎是Apple Silicon中专门用于加速机器学习运算的独立模块，可通过Core ML框架调用。
50%待验证对 iOS 生态来说，接入 AI 的门槛正在降低，开发者可以通过调用云端模型 API 或使用苹果提供的端侧机器学习框架获得 AI 能力，而不必自己训练模型。
50%待验证端侧框架（如苹果的 Core ML、Create ML）则把模型直接打包进 App，在设备本地完成推理，优势是低延迟、离线可用、数据不出设备，缺点是模型体积和算力受限于手机硬件，通常需要事先做量化压缩。
50%待验证早期 Neural Engine 只能通过 Core ML 间接调用，可表达的算子集合有限；较新的平台才逐步开放更底层的访问
50%待验证苹果的 Core ML 框架可以加速语音识别模型在 Mac 上的推理，但 M 系列与 Intel 芯片之间的性能差异会影响转写的实时性和准确率。
50%待验证选择工具时，通常先看任务是否需要自定义模型：通用任务优先用 ML Kit 这类现成 API，需要私有数据微调或特定领域精度时，再走 Core ML 或 TensorFlow Lite 的自定义模型路径。
50%待验证Core ML 是苹果提供的端侧机器学习框架，开发者可以把训练好的模型转换为 .mlmodel 格式并集成到 iOS 应用中，系统会自动调度 CPU、GPU 和 Neural Engine 来加速推理。
50%待验证苹果的 Metal Performance Shaders 与 Core ML 框架可将推理卸载到 GPU 和神经引擎，降低对 CPU 的占用。
50%待验证在 iOS 设备上运行 Whisper 模型需要将模型转换为 Core ML 或使用 whisper.cpp 等推理框架，并借助 Apple Neural Engine 加速。
50%待验证在 MacBook Air 上实现13秒转录一小时音频，通常涉及模型选择（Whisper系列或优化版本）、推理加速（Metal加速、Core ML转换等）以及精度取舍（量化如int8、int4）等技术方案。
50%待验证Anvil 的图像生成功能名为 Anvil Dream，是一个 SDXL Lightning 变体，经 Apple 的 ml-stable-diffusion 转换为 Core ML 格式，在神经引擎上生成 1024x1024 图像。
50%待验证ml-stable-diffusion 是 Apple 官方开源的转换工具库，用于将 Stable Diffusion 系列的 PyTorch 权重转换为 Core ML 格式，使模型能调用 iPhone 的神经引擎进行推理。
50%待验证测试音频处理路径与麦克风采集一致：FLAC先经AVAudioFile解码，再用AVAudioConverter重采样到16 kHz单声道Float32，音频提前读入内存，文件I/O不计入耗时；仅对transcribe阶段计时，模型下载和Core ML准备在计时区外。
50%