14 Ekim 2026 ÇarşambaSayı № 287
VI Araç & SDKResmi Kaynak

Jun Kim, oMLX geliştiricisi Hugging Face'e katıldı, MLX topluluğunu destekleyecek

Hugging Face, oMLX'in yaratıcısı Jun Kim'in ekibe katıldığını duyurdu. Jun, Apple Silicon için optimize edilmiş MLX çerçevesinin geliştirilmesini hızlandıracak ve topluluğa istikrar sağlayacak.

Hugging Face kaynağından derlendi · · 1 dk okuma

Orijinal haber ↗
Görsel: Hugging Face

Özetle

  1. 1

    Jun Kim'in Hugging Face'e katılması, oMLX projesine tam zamanlı destek ve finansman getiriyor

  2. 2

    oMLX Apache 2.0 lisansını koruyarak topluluk katkılarını sürdürecek

  3. 3

    Hugging Face, MLX modellerinin Transformers tanımlarıyla entegrasyonunu hızlandırmayı hedefliyor

  4. 4

    İş birliği, mlx-lm ve mlx-vlm gibi alt projelerle sinerji yaratacak

Hugging Face, 22 Eylül 2026 tarihinde oMLX projesinin kurucusu ve bakım sorumlusu Jun Kim'in yeni takım üyesi olarak katıldığını resmi blog yazısıyla açıkladı. Şirket, yerel AI çözümlerine tam bir yatırım yaptığını ve MLX'in ekosistemdeki merkezi rolünü vurguladı.

Jun Kim'in bu geçişi, oMLX'in yan işten tam zamanlı, finanse edilen bir projeye dönüşmesini sağlayacak. Proje Apache 2.0 lisansını koruyarak topluluk katkılarını sürdürmeye devam edecek ve Jun, geliştiricileri yönlendirme ve uzun vadeli yol haritasını şekillendirme sorumluluğunu alacak.

MLX, Apple'ın Apple Silicon cihazları için geliştirdiği yerel AI framework'ü olarak öne çıkıyor. Hugging Face, MLX modellerinin hub'ında toplanmasını ve topluluk tarafından katkı sağlanmasını destekliyor. Jun'un katılımı, mlx-lm, mlx-vlm gibi yan projelerle entegrasyonu güçlendirecek ve bu projeler arasındaki sinerjiyi artıracak.

Şirket, Transformers kütüphanesindeki model tanımlarının MLX implementasyonlarına hızlıca dönüştürülmesini hedefliyor. Bu sayede farklı motorlar, Transformers'ın referans tanımlarını kullanarak yerel AI çözümlerini daha çabuk hayata geçirebilecek. Hugging Face, bu süreci kolaylaştırarak yerel AI ekosisteminin büyümesini ve çeşitlenmesini teşvik etmeyi amaçlıyor.

Yöney yorumu

Bu gelişme, yerel AI çözümlerinin performansını artırmak isteyen geliştiriciler için daha istikrarlı bir altyapı ve daha hızlı entegrasyon imkanı sunacak, ancak etkisi büyük ölçekte hâlâ sınırlı kalacak.

Yapay zekâ tarafından üretilmiştir.
Devamı kaynakta

Bu haber Hugging Face kaynağından derlenip Türkçeye aktarıldı. Ayrıntılar ve orijinal metin için oka tıklayın.

VI

Aynı bölümden

Tümü →
VI Araç & SDK

AnythingLLM, Ollama'dan Lemonade ve llama.cpp'ye geçişini duyurdu

AnythingLLM ekibi, yerleşik Lemonade SDK'sının topluluk tarafından benimsenmesinden duyulan heyecanı paylaşıyor ve platformun Ollama yerine Lemonade ve llama.cpp tabanlı bir mimariye taşındığını açıkladı.

Özetle 3 madde
  1. AnythingLLM, Ollama yerine Lemonade ve llama.cpp tabanlı bir altyapıya geçiş yaptı.
  2. Lemonade gömülü SDK'sının topluluk tarafından benimsenmesi ve kullanılmaya başlanması.
  3. Geçiş, daha düşük maliyet, düşük gecikme ve açık kaynak avantajları sunmayı hedefliyor.

Reddit LocalLLaMA

VI Araç & SDK

Basalt: Qwen 3.8 Flash Next için Hızlı Blackwell Çıkarım Motoru ve Ücretsiz Görüntü Desteği

Basalt, Qwen 3.8 Flash Next modelini Blackwell optimizasyonlarıyla çalıştıran yeni bir çıkarım motoru. Görüntü işleme yeteneği, encoder'ı yalnızca ihtiyaç anında VRAM'e yükleyerek bellek tüketimini neredeyse sıfıra indiriyor.

Özetle 3 madde
  1. Basalt, Qwen 3.8 Flash Next modelini Blackwell optimizasyonlarıyla çalıştıran hızlı bir çıkarım motoru.
  2. "--vision dynamic" özelliği, görüntü kodlayıcısını yalnızca ihtiyaç anında VRAM'e yükleyerek bellek tüketimini %0'a yaklaştırıyor.
  3. Basalt çekirdekleri, llama.cpp'ye kıyasla 3 kat daha hızlı çalışıyor ve açık kaynak olarak geliştiricilere sunuluyor.

Reddit LocalLLaMA

VI Araç & SDK

llama.cpp WebGPU arka ucuyla tarayıcıda 80B MoE modeli Qwen3-Next gerçek zamanlı yanıt veriyor

llama.cpp, WebGPU desteğini genişleterek MoE (Mixture of Experts) modellerini tarayıcıda çalıştırabiliyor. 80 milyar parametreli Qwen3-Next modeli, diskten uzmanları dinamik olarak getirerek Chrome sekmesinde yanıt üretebiliyor. Bu, büyük dil modellerinin bulut dışı, tarayıcı tabanlı kullanımına yeni bir kapı aralıyor.

Özetle 3 madde
  1. llama.cpp'nin WebGPU backend'i, MoE modellerini tarayıcıda dinamik olarak diskten uzmanları getirerek çalıştırabiliyor.
  2. 80B Qwen3-Next modeli 2.9 tok/s hızla yanıt üretebiliyor; bu, tarayıcıda bu büyüklükte bir modelin çalıştırılmasının ilk kanıtı.
  3. Sayfalama mekanizması yeni buffer tipi ve slot‑mapped shader'lar ekleyerek ggml-webgpu'yi genişletiyor.

Reddit LocalLLaMA3 skor