omlx

name	omlx
description	oMLX (jundot/omlx) — serveur d'inférence MLX local Apple Silicon : continuous batching, tiered KV cache (RAM chaud + SSD froid persistant aux restarts), backend Claude Code/Codex, multi-modèle (LRU/pinning/TTL), VLM+OCR, embeddings+rerankers, API OpenAI+Anthropic native, menubar macOS. Charge on-demand sur fichiers omlx ou servers.yaml.

oMLX

Serveur d'inférence LLM pour Apple Silicon par Jun Kim — omlx.ai · jundot/omlx. Continuous batching + tiered KV caching + optimisation Claude Code, géré depuis la barre de menu.

Version courante : v0.3.12 (2026-05-27), stable. Voir « Historique upstream » plus bas pour le détail des features livrées jusqu'à v0.3.9rc1.

Origine : forké de vllm-mlx v0.1.0, évolué massivement (multi-model serving, tiered cache, VLM avec paged cache complet, admin panel, app macOS).

Pourquoi oMLX est conçu pour l'agentique Claude Code

Le README positionne explicitement oMLX pour les gros contextes agentiques : cache KV persistant entre RAM et SSD, réutilisation du contexte après changement de conversation ou redémarrage, et optimisations dédiées Claude Code.

Claude Code Optimization est une feature explicite (section nommée dans le README) :

• Context scaling support pour exécuter de petits modèles avec Claude Code
• Token count rescaling pour que l'auto-compact se déclenche au bon moment
• SSE keep-alive prévient les timeouts pendant les longs prefills

Installation

macOS App (recommandé pour usage interactif)

Téléchargement DMG depuis Releases. Drag-to-Applications, in-app auto-update intégré. Note : l'app n'installe pas la CLI omlx — pour le terminal, passer par Homebrew ou source.

Homebrew (recommandé pour usage CLI)

brew tap jundot/omlx https://github.com/jundot/omlx
brew install omlx

# Service background avec auto-restart
brew services start omlx

# Optional: MCP tool support
/opt/homebrew/opt/omlx/libexec/bin/pip install mcp

Source

git clone https://github.com/jundot/omlx.git
cd omlx
pip install -e .          # Core
pip install -e ".[mcp]"   # Avec MCP

Requirements : macOS 15.0+ (Sequoia), Python 3.10+ selon README, Apple Silicon M1+. Pour l'installation depuis source/dev, préférer Python 3.11+ car pyproject.toml déclare requires-python = ">=3.11".

Quick Start

# CLI — découverte auto des modèles dans un répertoire
omlx serve --model-dir ~/models

# Avec SSD cache + hot cache 20% RAM
omlx serve --model-dir ~/models \
  --paged-ssd-cache-dir ~/.omlx/cache \
  --hot-cache-max-size 20%

Server à http://localhost:8000/v1 (OpenAI + Anthropic compatible). Admin dashboard à http://localhost:8000/admin (chat intégré, monitoring, model management, benchmark).

Connecter Claude Code, Codex et OpenClaw

Via l'admin dashboard : section Integrations propose OpenClaw, OpenCode, Codex, Hermes Agent, Copilot et Pi en 1-click setup (zéro édition manuelle de config).

Via la CLI, utiliser le launch picker quand disponible :

omlx launch claude
omlx launch codex
omlx launch openclaw
omlx launch copilot

Depuis v0.3.9rc1, les arguments supplémentaires sont transmis à codex et claude, ce qui permet de garder les flags habituels de ces CLIs.

Configuration manuelle (équivalent vllm-mlx) :

export ANTHROPIC_BASE_URL=http://127.0.0.1:8000
export ANTHROPIC_AUTH_TOKEN=local
export ANTHROPIC_API_KEY=local
claude --model <model-name>

Tiered KV Cache (Hot + Cold)

Block-based KV cache inspiré de vLLM avec prefix sharing et Copy-on-Write, étalé sur deux tiers :

Tier	Stockage	Comportement
Hot (RAM)	In-memory, write-back	Blocs fréquents, accès rapide
Cold (SSD)	Safetensors sur disque	Quand hot se remplit, offload vers SSD. Sur prochaine requête avec prefix matching, restauration depuis disque au lieu de recomputer — survit aux restart serveur

Performance mesurée

Scénario	TTFT	Speedup
8K cold prefill (M1 Max)	49s	—
8K SSD cache hit	1.7s	29×

Pour des sessions agent longues avec gros system prompts répétés, c'est le cas d'usage. Élimine 30-90s de TTFT à chaque restart.

Continuous Batching

Géré via mlx-lm BatchGenerator. Concurrent requests configurable :

omlx serve --model-dir ~/models --max-concurrent-requests 16  # défaut: 8

Multi-Model Serving

Charger LLMs, VLMs, embedding models et rerankers dans le même serveur, avec contrôles automatiques + manuels :

Mécanisme	Usage
LRU eviction	Modèles least-recently-used évincés automatiquement quand RAM se remplit
Manual load/unload	Status badges interactifs dans admin panel
Model pinning	Pin un modèle pour qu'il reste toujours chargé (ex: ton modèle Claude Code)
Per-model TTL	Auto-unload après période d'inactivité
Process memory enforcement	Limite totale (défaut: RAM - 8 GB) prévient OOM système

Per-Model Settings (live, sans restart)

Sampling params, chat template kwargs, TTL, alias, type override (LLM vs VLM) — tout configurable depuis admin panel, changements appliqués immédiatement.

• Model alias : nom API custom. /v1/models retourne l'alias, requêtes acceptent alias et nom de répertoire.
• Type override : forcer LLM ou VLM indépendamment de l'auto-detection.

Vision-Language Models + OCR

VLMs avec continuous batching et tiered KV cache complet (rare parmi les serveurs MLX). Multi-image chat, base64/URL/file inputs, tool calling avec contexte vision.

OCR auto-détectés avec prompts optimisés :

• DeepSeek-OCR
• DOTS-OCR
• GLM-OCR

Tool Calling

Tool parsers via mlx-lm (auto-détectés selon famille) :

Famille	Format
Llama, Qwen, DeepSeek	JSON <tool_call>
Qwen3.5 Series	XML <function=...>
Gemma	<start_function_call>
GLM (4.7, 5)	<arg_key>/<arg_value> XML
MiniMax	Namespaced <minimax:tool_call>
Mistral	[TOOL_CALLS]
Kimi K2	<|tool_calls_section_begin|>
Longcat	<longcat_tool_call>

Streaming tool-enabled : texte assistant émis incrémentalement, control markup tool-call supprimé du contenu visible, structured tool calls émis après parse complet.

MCP : config via --mcp-config mcp.json. Requiert install optionnelle (pip install mcp après brew install). Endpoint /v1/mcp/execute accepte tool et tool_name.

Structured Output

JSON Schema validation native. Pour les grammaires/regex strictes, installer l'extra optionnel grammar (xgrammar) si le build local le fournit.

API Compatibility

Drop-in replacement OpenAI + Anthropic. Streaming usage stats (stream_options.include_usage), Anthropic adaptive thinking, vision inputs (base64 + URL), préservation des blocs reasoning de la Responses API à travers les allers-retours tool-call.

Endpoint	Description
POST /v1/chat/completions	OpenAI Chat Completions (streaming)
POST /v1/completions	Text completions (streaming)
POST /v1/messages	Anthropic Messages API
POST /v1/embeddings	Text embeddings
POST /v1/rerank	Document reranking
POST /v1/audio/transcriptions	Transcription audio (word_timestamps disponible)
POST /v1/mcp/execute	Exécution d'outil MCP
GET /v1/models	List available models

Modèles supportés

Pointer --model-dir vers un répertoire avec sous-dossiers MLX. Organisation à 2 niveaux supportée (mlx-community/model-name/).

Type	Modèles
LLM	Tout modèle supporté par mlx-lm
VLM	Qwen3.5 Series, GLM-4V, Pixtral, autres mlx-vlm
OCR	DeepSeek-OCR, DOTS-OCR, GLM-OCR
Embedding	BERT, BGE-M3, ModernBERT
Reranker	ModernBERT, XLM-RoBERTa

Auto-détection par type. Téléchargement direct depuis admin dashboard (Model Downloader avec browse cards HuggingFace, taille fichiers, 1-click download).

CLI Configuration

# Memory limits
omlx serve --model-dir ~/models \
  --max-model-memory 32GB \
  --max-process-memory 80%

# Tiered cache
omlx serve --model-dir ~/models \
  --paged-ssd-cache-dir ~/.omlx/cache \
  --hot-cache-max-size 20%

# Concurrency
omlx serve --model-dir ~/models --max-concurrent-requests 16

# MCP tools
omlx serve --model-dir ~/models --mcp-config mcp.json

# HuggingFace mirror (régions restreintes)
omlx serve --model-dir ~/models --hf-endpoint https://hf-mirror.com

# Auth
omlx serve --model-dir ~/models --api-key your-secret-key

Settings persistent dans ~/.omlx/settings.json. CLI flags ont précédence. Tout configurable aussi via admin panel /admin.

Homebrew Service

brew services start omlx    # auto-restart on crash
brew services stop omlx
brew services restart omlx
brew services info omlx

Logs :

• Service (stdout/stderr) : $(brew --prefix)/var/log/omlx.log
• Server (structured) : ~/.omlx/logs/server.log

Variables d'env : OMLX_MODEL_DIR, OMLX_PORT. Défauts : ~/.omlx/models, port 8000.

Architecture (résumé)

FastAPI Server (OpenAI / Anthropic API)
├── EnginePool (LRU eviction, TTL, manual load/unload)
│   ├── BatchedEngine (LLMs, continuous batching)
│   ├── VLMEngine
│   ├── EmbeddingEngine
│   └── RerankerEngine
├── ProcessMemoryEnforcer (limite totale, TTL checks)
├── Scheduler (FCFS, configurable concurrency)
│   └── mlx-lm BatchGenerator
└── Cache Stack
    ├── PagedCacheManager (GPU, block-based, CoW, prefix sharing)
    ├── Hot Cache (in-memory, write-back)
    └── PagedSSDCacheManager (SSD cold tier, safetensors)

Admin Dashboard

Web UI à /admin :

• Real-time monitoring (modèles chargés, RAM, requests)
• Model management (load, unload, pin, TTL)
• Chat intégré avec n'importe quel modèle chargé (history, model switching, dark mode, reasoning output, image upload, multi-tasking — plusieurs chats parallèles)
• Performance benchmark 1-click (PP + TG tok/s, prefix cache hit testing)
• Model downloader HuggingFace
• Integrations setup (OpenClaw, OpenCode, Codex, Hermes Agent, Copilot, Pi)
• Multi-langue : English, Korean, Japanese, Chinese, French, Russian
• CDN deps vendored = full offline operation

Menubar App

Native PyObjC (pas Electron). Persistent serving stats (survit aux restart), auto-restart on crash, in-app auto-update.

vs autres serveurs MLX (focus agentic)

Critère	oMLX	vMLX	vllm-mlx
Hot+Cold KV cache survit restart	✅ unique	✅ L2 disk	❌
Claude Code-specific tweaks	✅ explicite	❌	⚠️ ThinkRouter
LoRA hot-load	✅	❌ panel UI only	❌ fusion obligatoire
Multi-model LRU/pinning/TTL	✅ raffiné	✅ via gateway	❌
Tool parsers	mlx-lm + MCP	13 natifs	16 natifs
Architectures supportées	mlx-lm standard	50+ (Mamba, JANG)	30+
KV quant q4/q8	❌	✅	✅
Speculative decoding	❌	✅	✅ MTP
Image gen	❌	❌	❌
Distributed multi-Mac	❌	✅	❌
Anthropic API native	✅	✅	✅ (v0.2.8+)
GUI	menubar + web	MLX Studio Electron	CLI only

Quand choisir oMLX

✅ Coding agentic Claude Code — c'est son use case principal, conçu pour ça ✅ Restart fréquent du serveur — SSD cache reload context en 1.7s vs 49s ✅ Multi-modèles avec memory pressure — LRU + pinning + TTL gèrent finement ✅ Préférence GUI — menubar + admin web complets, zéro terminal ✅ LoRA hot-load testing ✅ OCR auto-détecté — DeepSeek-OCR, DOTS-OCR, GLM-OCR

❌ Pas pour : image generation (FLUX), Mamba/SSM hybrids, distributed multi-Mac, JANG quantization, MTP speculative — voir vMLX ou vllm-mlx.

Acknowledgments

oMLX est dérivé de vllm-mlx v0.1.0, étendu massivement avec multi-model serving, tiered cache, VLM avec paged cache complet, admin panel, et menubar app. Build sur mlx-lm, mlx-vlm, mlx-embeddings, dflash-mlx, venvstacks (app bundling).

Historique upstream (features livrées jusqu'à v0.3.9rc1, 2026-05-19)

v0.3.9rc1 (2026-05-19) fut un jalon RC ; la branche stable courante est v0.3.12 (2026-05-27). Features apparues à ce jalon, conservées et toujours valides :

• Memory management bas niveau : enforcer basé sur phys_footprint, admission control pendant prefill, eviction hot-cache race corrigée, preload SSD → hot parallélisé, hit-rate cache par modèle observable, barre mémoire temps réel dans l'admin.
• Chunked prefill : long prefill découpé par scheduler step pour ne pas bloquer les decodes concurrents ; off par défaut, activable depuis admin.
• Chat multi-tasking : plusieurs chats parallèles dans l'admin et correction des réponses streamées qui pouvaient atterrir dans le mauvais chat.
• Responses API reasoning : préservation des blocs reasoning à travers les allers-retours tool-call.
• Intégrations agentiques : Hermes Agent quick launch, Copilot dans omlx launch, et forwarding d'arguments supplémentaires vers omlx launch codex et omlx launch claude.
• MCP : /v1/mcp/execute accepte tool et tool_name.
• Audio transcription : word_timestamps disponible sur /v1/audio/transcriptions.
• DFlash / Gemma 4 : dflash-mlx bump v0.1.7, parsing gemma4 channel markers, nouveaux settings draft_window_size, draft_sink_size, verify_mode.
• Admin UX : Browse Models sortable, layout mobile amélioré, filtre minimal dans le log viewer, bouton restart déplacé près du Save.

Suivre jundot/omlx/releases pour les deltas postérieurs à v0.3.12.

License

Apache 2.0.

https://api.github.com/repos/jundot/omlx/releases — consulté 2026-05-29, release 2026-05-27