MacPaw och Liquid AI bygger ny AI-stack som körs helt på din Mac

• Liquid Foundation Models (LFMs) – Liquid AI skapar och finjusterar specialiserade LFMs specifikt för AI-assistans på macOS. Modellerna är utformade för att vara mycket effektiva på Apple Silicon .
• Elix – MacPaws lokala inferensmotor som kör LFMs helt och hållet på din Mac. Det innebär att modellerna exekveras på enheten utan att skicka data till molnet, vilket ger snabba svar, integritet och möjlighet att arbeta offline .
• Mnemos – MacPaws beständiga minnesskikt som bevarar sammanhang mellan interaktioner. Det gör att assistenten "kommer ihåg" tidigare konversationer och blir mer användbar över tid .

Eney: den första produkten på stacken

Eney är MacPaws AI-assistent för macOS. Det blir den första produkten som drivs av den nya stacken och erbjuder lokalt resonemang, kontextuell sökning, exekvering av färdigheter och konversationshistorik – allt sparat lokalt på enheten. Molnbaserade modeller kommer fortfarande att finnas tillgängliga som ett alternativ för uppgifter som är bättre lämpade för molnet . Eney gick redan förra året över till en lokal modell, och det nya partnerskapet är avsett att fördjupa den lokala arkitekturen .

Utvecklaråtkomst via Setapp med kreditbaserad prissättning

När stacken är beprövad i Eney planerar MacPaw att öppna samma lokala inferensteknologi (Elix + Mnemos + LFMs) för tredjepartsutvecklare via Setapp, en prenumerationsbaserad appmarknad med över 150 000 betalande prenumeranter .

• Kreditbaserad prissättning – MacPaw testar ett system där Setapp-användare köper krediter. Varje AI-operation (lokal eller molnbaserad) förbrukar krediter beroende på uppgiftens komplexitet .
• En plattform för utvecklare – Setapp-utvecklare kommer att kunna erbjuda AI-funktioner på enheten via den delade stacken, samt få tillgång till molnmodeller från leverantörer som Google om en uppgift drar nytta av molnets beräkningskapacitet . Det innebär att utvecklare får en enda plattform med både lokala och molnbaserade alternativ.

Partnerskapet beskrivs som ett integritetsfokuserat alternativ till moln-AI, med målet att som standard behålla personlig data på enheten samtidigt som användare kan använda molnmodeller när de är bättre lämpade för en given uppgift .