一套纯 Swift + Metal 自研推理引擎，把 14.3 GB 的 MoE 大模型装进约 2 GB 内存，让 8 GB 的 MacBook Air 也能本地跑 26B 模型

✨ 特点

• 2 GB 内存跑 26B 模型：利用 Gemma 4 26B-A4B 的混合专家架构，每个 token 只激活约 3.88B 参数，常驻内存仅保留共享核心与 KV 缓存，其余专家权重按需从 SSD 流式读取。
• 不是 MLX 或 llama.cpp 的封装，针对 Gemma 4 的层结构从零编写的运行时，自研全部 Metal kernel（量化 GEMV、注意力、MoE、采样与融合算子）
• 同一份 .gturbo 模型可供原生 Mac 应用、命令行工具和本地 OpenAI 兼容服务器三种方式使用，服务器支持流式输出、函数工具调用和提示词前缀复用
• 从 Hugging Face 按字节区间边下边重打包，全程不落完整源文件，约 15 GB 传输量直接生成带哈希校验的本地模型
• 可选视觉扩展包：额外安装 1.1 GB 的视觉塔即可让应用、命令行和服务器统一支持图片输入（需 M2 及以上）

• 103 个公开实验记录：仓库完整记录了 kernel、缓存、I/O、预填充等方向上成功与失败的全部实验

  ⚙️ 机制

TurboFieldfare 的核心思路是「让不该进内存的权重留在 SSD 上」。运行时常驻约 1.35 GB 共享核心（注意力、路由器、词嵌入和共享专家）加 FP16 KV 缓存（4K 上下文约 305 MiB）；每层 128 个路由专家（共 30 层、约 12.9 GB）留在磁盘，由路由器每 token 选出 top-8，先查询该层 16 槽 LFU 缓存，未命中的用有界并行 pread 读入 Metal 可见缓冲区，同时 GPU 并行计算常驻的共享专家分支，I/O 与计算相互掩盖。预填充按最多 128 token 分块，让一次读取的专家服务多行计算。作者实测显式 pread 比 mmap 被动缺页快得多：冷读单个 3.36 MB 专家 2.8 ms 对 10 ms，整体吞吐 4 tok/s 对 0.5 tok/s；约 41% 的专家会在下一个 token 复用，16 槽缓存命中率约 67%。

主要依赖：仅 3 个外部包。swift-transformers（分词）、swift-nio（服务器）、SwiftMath（公式渲染），其余全部自研。

实测性能：8 GB M2 MacBook Air 解码 5.1–6.3 tok/s，24 GB M5 Pro 达 31–35 tok/s（同机 mlx-lm 为 76–82 tok/s，但需要 8–10 GB 常驻内存与约 15 GB GPU 分配）。差距主要来自 M5 三倍于 M4 的 SSD 读取带宽。运行要求 macOS 26、Metal 4、Swift 6.2，仅支持 Apple Silicon。

👨🏻‍💻 使用场景

• 8 GB 入门款 Mac 用户跑大模型：最便宜的 M2 MacBook Air 也能本地运行 26B 级模型做草稿撰写、摘要和问答，不用为了本地推理专门升级 32 GB 以上的机器
• 开发者接入本地 OpenAI 接口：服务器监听本机 8080 端口，把 OpenCode 或任意 OpenAI SDK 的 base URL 指过来，即可零 API 成本地调试提示词、函数工具调用等流程
• 保护隐私的离线办公：模型装好后完全离线运行，处理合同、病历、内部文档等敏感材料时数据不出本机
• 端侧推理工程学习：实验记录加系统设计文档完整展示了 mmap 与 pread 的取舍、专家缓存策略、I/O 与 GPU 重叠等决策过程，适合想学 Metal 推理优化的工程师
• 多任务并行的轻量后台:推理只占 2 GB 内存，可以边开着浏览器、IDE 和设计软件边让模型在后台生成，不会挤爆内存

🖊 作者背景
Andrey Mikhaylov – Senior iOS & Metal 工程师

• Lapse（伦敦社交相机应用，总融资 $42.3M）：资深 iOS、Metal 与相机工程师（2024 至今）。负责月处理约 1 亿资产的媒体管线，自建 Metal 实时照片视频管线，吞吐为原 Core Image 方案 10 倍
• Prisma Labs（Prisma、Lensa 开发商）：资深 iOS 与 Metal 工程师、视频团队技术负责人（2021–2024）。构建端侧实时人脸修饰管线，老设备上 17 ms/帧

项目名取自他最喜欢的鸟，田鸫（fieldfare）。

频道:@NewlearnerChannel

TurboFieldfare：用 2 GB 内存在任意 M 系列 Mac 上运行 Gemma 4 26B最先出现在666News。

📊 DeckForge：把演示文稿交给你的 Agent，导出原生可编辑的 PPTX

🔗：官网 | GitHub

👉 Features

• 用户侧只有一个动作：把 这个链接 发给你已有的 Claude Code / Codex，装 CLI、读文档、干活全归它
• 内置多套成套设计系统，每套自带完整配方、组件语法与禁用项，不是一个模板库
• 导出的 PPTX 里文字、形状、表格和六类图表都是原生对象，收到文件的人可以直接改数据和样式，不是截图
• 强制视觉 QA：每页真实截图返回 Agent，按七条检查逐页核对，修完重渲，零缺陷才允许交付
• 渲染零外部依赖，图表库与图标全部内嵌，字体取本机，试用全程不联网；单文件约 20MB

💡 起因是一个观察：AI 做出来的 PPT 一眼就能认出来 —— 模板感、卡片堆砌、机械均分栏、导出后一个字都改不了。但这些特征其实不来自模型，而来自同一条生产管线：把内容填进一套中性模板，截图，再拼成文件。换更强的模型改变不了这件事，因为上限是管线定的

另一个前提是这批用户已经有 Agent 了：付了 Claude Code / Codex 的钱，算力、界面、对话体验都不缺，缺的是「怎么做好」的领域知识和一条能真正落地的管线。所以 DeckForge 不做网页也不做云渲染，只把那条管线封装成一个命令行工具，交给你已有的 Agent 去调

🧑🏻‍💻 实际用起来只有一步 —— 对你的 Claude Code / Codex 说：

「读一下 https://deckforge.gtio.work/SKILL.md ，然后帮我把这份材料做成一份能直接交付的 PPT」

剩下的全归它：检测到没装就自己把 CLI 装上，然后读方法论、挑设计系统、逐页写 PPTL 源码、跑截图 QA、导出 PPTX。全程在你的终端里，内容不出本机。功能不设限的试用是免费的，导出成品带一道署名水印，用来评估效果足够；预览和 PDF 需要本机装有 Chrome 或 Edge，导出 PPTX 则什么都不需要

👀 这条赛道人不少，一并列举：Gamma 是品类第一，网页端 $10–20/月，免费版有额度和水印；Beautiful.ai $12/月且只有年付；国内 AiPPT 和 iSlide 都有 ¥399 的终身档；Tome 曾在 18 个月做到两千万用户，2025 年 4 月还是关停了演示业务。这些走的都是「网页 + 模板填充」的路子，零门槛是它们真实的优势

DeckForge 换了个前提：不提供界面也不提供算力，只卖知识和管线，所以受众确实窄 —— 你得先是个 CLI agent 用户；但对这批人成本结构完全不同，工具 ¥99 买断一次（首发早鸟 ¥79，含 12 个月更新，期满软件永久可用），算力用你本来就在付的那份，边际成本是零。创作出来的内容与导出的文件完全归你，商用不受限制

• 🤖 本推送内容经 AI 辅助写作而成，在此注明

信息来源：TG频道@NewlearnerChannel

📊 DeckForge：把演示文稿交给你的 Agent，导出原生可编辑的 PPTX最先出现在666News。

🤖 DomA：浏览器自动化 AI 智能体

🔗：Web | TG群组 | QQ频道 | 小红书

DomA 是一款跑在浏览器里的 AI 自动化智能体，帮你完成浏览、填写、点击、收集等各类网页事务。装上 DomA，不必再专门下载一款「AI 浏览器」——任何支持扩展的浏览器，都能立刻变成你的 AI 浏览器

💡 使用场景

DomA Agent 融合了 Stay 插件 的用户脚本管理 / 视频下载 / 广告拦截功能，通过 AI 对话 / 命令即可随时调用这些功能

除此之外你也可以教会 DomA 一些网页操作技能，通过内置的 Create-Skill 创建技能，固化你的操作

👀 你可以对 DomA 这么说

① 帮我整理下标签页，关闭相同页，按打开时间重新排序
② 帮我订下吉卜力公园的门票
③ 跳转到当前视频Boss战
④ 下载当前页面视频
⑤ 屏蔽下当前页面广告
⑥ 帮我自动推进当前页面操作的下一步

🎁 为更好地收集用户反馈、控制前期成本，目前产品已开启一个月的邀请制免费试用，复制 评论区 下面的邀请码，注册 DomA 账号即可开启 DomA Agent 旅程

信息来源：TG频道@NewlearnerChannel

🤖 DomA：浏览器自动化 AI 智能体最先出现在666News。

🔗：GitHub | Releases | Web

👉 Features

• 开口就输入，按住说，松开停，Typeless 兼容
• 支持组合动作，可以把多个受支持的本机步骤依次执行，再绑定到遥控器的单击、双击或长按
• 支持保存多套完整键位方案
• 可通过「记录回眸」功能本地保存语音输入的文字内容
• 展示使用统计，提供 AI / Agent 本地配置

🐟 这个颇具玩具意味的 Vibe Coding 程序，带火了闲鱼上面的小米蓝牙遥控器 2 Pro。只要 60 元左右的价格，就能够得到一个外观酷似 Siri Remote 的遥控器。把它配合软件使用，就得到了一套软硬件相结合的 AI Voice 方案

💡 和之前火起来的 DJI Mic 本质上没什么不同，无线麦通过一个遥控器收音，再转换为文本发送给 AI 程序。这一切都要得益于近年语音转文字的高识别度，让每个人都可以享受到语音遥控 AI 干活的快感

👀 这也从侧面反映出 Vibe Coding 的火热，让许多小众需求的落地速速大大加快，反过来又促进了我们 Vibe Coding 的体验。体感上又回到了每天蹲 Product Hunt 新产品的时候，即便数量众多，但总能发掘几个有意思的点子。如果你对于小众硬件 + 专用软件的形式比较感兴趣，也可以去关注一下 DJI 4G 模块 相关的项目

📘 关联阅读：

1️⃣ Type4Me：AI 驱动的 macOS 语音输入法
2️⃣ Typeless：用 AI 重新定义语音听写

信息来源：TG频道@NewlearnerChannel

🎤 无线麦：将小米蓝牙遥控器 2 Pro 变成 Mac 语音输入设备最先出现在666News。

🔗：GitHub | Web

😡 别抄 AI 的回答，哥们！别人问你问题，想听的是你的回答 —— 不是一整屏原封不动的 ChatGPT 输出

👎 有人认真问了你一个问题。你转手丢进 AI，复制粘贴，发了回去。感觉又快又省事？但这通常帮不上什么忙。对面那个人可以和你用同一个 AI。想要公式化答案，人家两秒钟自己就搞定了。来问你，是想听你的看法 —— 你的理解、你的品味、你的判断

💡 不如这样

① AI 尽管用，没人拦着你。但请先把它给的东西读完，再用自己的话写回答 —— 不要当传话筒
② 挑出真正答到点上的部分，其余的删了。你自己写三句话就够了，就算是抄来的，至少你看过了
③ 如果模型的回答里某一段确实有用，就引用它，说清为什么有用。「我用 Claude 查了一下，这段没问题：」—— 这就很好
④ 如果你实在没什么可补充的，直说就好。「这个我没什么看法」—— 这也是一个有用的回答

👀 简而言之，本网页最大的用途就是：有人在你的私信、群聊或回复里甩了一大段模型输出，把 这个链接 丢给对方就好，开发者还贴心地准备了一个 超级大爆 的版本；如果你是老师，学生把 AI 生成的作业发给你，可以把 这个链接 发给他们

😄 本网页让我想到之前的「Google 一下」提示机器人，以及经典作品《提问的智慧》。开发者还提供了两个同类型的讽刺网站，一个是 no hello，另一个是 Don’t ask to ask，都蛮有意思的

📘 关联阅读：Not By AI – 为你非 AI 的原创内容贴上个贴纸吧

信息来源：TG频道@NewlearnerChannel

🤖 Don’t paste the AI, please.最先出现在666News。

📖 FlowFerry：小而美的离线转存与稍后读方案

🔗：Web | App Store | Google Play | 浏览器插件

FlowFerry 专注做的事很简单：输入一个链接，把内容离线保存下来，供稍后阅读、整理

👉 Features

• 支持 macOS、iOS 和 Android 平台，同时可以通过浏览器插件、Raycast 插件实现数据无缝流转
• 为中英文精心设计的排版，干净无干扰的版面，图片完整保留，字号和留白都可调整
• 支持视频、代码、表格等多种文章呈现方式
• 本地优先，任何文章都可导出为 PDF、HTML 或 Markdown，也可以发送到 Notion、Obsidian
• 所有数据都在你的设备上本地处理，保护你的隐私

💡 它不一样的地方

• 本地优先，可以离线使用
• 纯粹的阅读，不含花哨的 AI 功能
• 数据自由流动，文章可以任意发送到其他平台
• 设计工程师作品，持续精心打磨细节和阅读器体验

开发者表示，之所以投稿到自留地，是因为相信它的读者都有较多的阅读、收藏需求，以及对简洁、克制的产品的鉴赏品味

🤖 剪藏和稍后读是前几年比较热门的一个开发方向，到目前也有了较为成熟的一些产品和体系。但面对 AI 的冲击和信息过载，许多稍后读正在变成另一个爆满的 RSS。就我们是否需要引入 AI 提高效率，以及手工稍后读目前的处境与开发者进行了讨论，回复如下：

• 手动剪藏的 摩擦 本身就是设计。输入链接 – 抓取 – 展示预览，是一种仪式感，我相信如果是真正重要的内容，用户会珍视打开并粘贴的那个过程，产品本身也不希望用户快速囤积一堆链接而沦为收藏夹
• 没有杂音的阅读依旧重要，所以在阅读器设计上花了很多功夫
• 大概率不会有 AI 总结、AI 播客等功能，但是会有针对 Agent 的适配，比如提供工具让 Agent 将内容发送到 FlowFerry。我希望产品能长期、持续的提供优质服务，引入更多的云端功能也提高了犯错的风险

👀 开发者提到，面对凶猛的信息潮，我们应该建立起一个「高摩擦度」的数字花园，高效剔除噪音、坚持「质量比数量重要」的理念。某种程度上，自留地也可以看做是我的一个数字花园，而堆放稿件信息的私人频道则是一种朴素的稍后读形式。通过阅读、输入、思考之后，再用自己的语言写出来

AI 固然可以将信息输入的效率提高许多，但我们依然需要留下喘息的空间，供我们去思考回味，做手账是一种方式、剪藏与稍后读也是一种方式。时至今日，如果你依然坚持阅读原汁原味的文本、坚持自己把控信息源，视 AI 总结后的文字为一种「减熵」与「有损压缩」，那么可以试试同样纯粹的 FlowFerry

📘 关联阅读：

1️⃣ 独立开发者故事 #83 – “实习生通过业余时间开发了10款产品，一个人就是一家公司！”
2️⃣ 前辈 Pocket 一路走好，本地稍后读「正年轻」
3️⃣ 独立开发者故事 – 为了在信息诱惑下专注阅读，我做了款浏览器插件，把网页上所有干扰都清空！
4️⃣ Omnivore： 开源、自由、全平台的「稍后读」服务
5️⃣ HamsteerBase： 本地优先的稍后读工具
6️⃣ 信息爆炸时代，如何高效管理碎片信息
7️⃣ 基于 RSS 的信息体系构建

信息来源：TG频道@NewlearnerChannel

📖 FlowFerry：小而美的离线转存与稍后读方案最先出现在666News。

🏥 OPPO Health Export：用 LSPosed 逆向导出 OPPO 健康数据，并用 MCP 规范化接入 AI

🔗：GitHub | Blog

❓ 问题和需求

想把自己 OPPO 健康（心率 / 睡眠 / 血氧 / 呼吸率等）的全部明细数据交给本地 AI 深度分析，而不是只看 App 里的聚合图表。但 OPPO 健康的本地数据库是 SQLCipher 加密的，直接打开是乱码，拿不到数据

同时，导出的数据要喂给 AI Agent 分析，接收端接口如果写得不够规范，其它 Agent 无法按标准接入，所以最后把服务端做成了 MCP (Model Context Protocol) 规范

💡 三层实现

第 1 层：手机端 LSPosed 逆向拿密钥
第 2 层：增量导出（行业标准做法）
第 3 层：服务端做成 MCP 规范

🎛 支持展示的数据

① 心血管：心率 / 房颤情况 / 血氧 / 呼吸等
② 睡眠：睡眠时长及情况 / 呼吸暂停 / 心率变异性 / 打鼾等
③运动与活力：运动明细 / 运动强度 / 久坐时间等
④ 环境与身心健康：光照时长 / 身心状态 / 听力等
⑤ 手表 / 手环监测到的其他健康数据

👀 不同于 iOS 可以直接通过 Open Minis 接入健康数据并交给 AI 分析，基于 Android 开发的各个系统似乎需要通过一些逆向的手段才能够获取

本项目就是开发者为实现这一目的量身定制的，希望能够帮助你更好地调用和分析自己的健康数据。当然，随着机载 AI 的不断发展，未来这样的需求将不断得到满足

信息来源：TG频道@NewlearnerChannel

🏥 OPPO Health Export：用 LSPosed 逆向导出 OPPO 健康数据，并用 MCP 规范化接入 AI最先出现在666News。

🐱 GitX：面向 AI Coding Agent 的 Git 工作流 Skill

🔗：GitHub

GitX 是一个面向 Claude Code、OpenAI Codex、Cursor 等 AI Coding Agent 的 Git 工作流 Skill。让 AI 编程 Agent 能够更规范、安全地管理 Git 仓库，最终得到一套干净、可维护的 Git 历史

⚙️ 安装

npx skills add musoyangrigor/gitx-skill

💡 GitX 能做的事

Conventional Commit、自动拆分提交、Branch、Pull / Push、PR、GitHub Issue、冲突解决、Git 状态/历史和 Commit plan

🧠 新增 gitx scan

在 Commit / Push 前，只读扫描工作区和本地 Git 历史中的潜在敏感信息，包括 API Key、Token、Private Key、.env 等。它可以区分风险目前处于：

• UNCOMMITTED
• STAGED
• COMMITTED LOCALLY
• PUSHED TO ORIGIN

同时会隐藏完整密钥，只输出风险等级和处理建议

信息来源：TG频道@NewlearnerChannel

🐱 GitX：面向 AI Coding Agent 的 Git 工作流 Skill最先出现在666News。

📒 为什么自己动手做
记录日常想法是多年的习惯，有时在路上，有时在电脑面前。以前用 Day One，交互太重了，AI 读取效率低，中文搜索一般，快退化成信息孤岛了。后来 Obsidian 成了我的主力笔记，日记自然想搬过来，但它更适合写长文，随手记反而别扭。索性自己做一个，既能随手记，也能和已有的笔记互相关联。

📸 先拍照，再补文字
我自己的习惯是当下来不及写就先拍一张，等于先占住了那一刻，隔几天回来补也不怕漏。所以 Spark Memo 在添加图片时会自动读取照片里的时间和地理位置，帮你回到当初那个时间、那个地方。

🗺️ 所有想法聚合成一张足迹地图
带地点的 Memo 会自动落到一张世界地图上。翻地图和翻列表是两种感觉，点开某个城市的一个小点，当时写下的那句话就跳出来了。

📁 数据是通用的 Markdown，代码也开源
这是我最在意的一点。涉及数据存储的工具得有点责任心，哪怕我哪天停下来不维护了，你的日记还是躺在自己的文件夹里，照样可读可写，甚至你可以基于我的开源代码随意修改。

🤖 也接上了 AI
跑在 Obsidian 上，就能直接用 Obsidian CLI。一是搬家方便，我用 CLI 把 Day One 的几千条日记转成了 Spark Memo 的格式；二是每周做周计划时，我会先让 AI 读一遍上周的日记，日记记的是实际发生了什么，周计划记的是本来打算做什么，两边一对，才知道时间到底花在哪了。

在 Obsidian 社区插件里搜 Spark Memo 就能安装，更多插件细节，可查阅这里。

信息来源：TG频道@NewlearnerChannel

成年人也写日记，我为 Obsidian 做了一款日记插件最先出现在666News。

🔗：X Article

今天这篇叫「Mole 出 Mac 版后，用户教会了我做产品」，写的是我第一次把开源 CLI 做成 Mac 付费软件后，真正学到的那些事。去年国庆，我在三亚泳池边写了几百行代码，本来只想做个自己和同事用的 Mac 清理工具，没想到不到一年收了 60K star，也因为 README 里的两张图片欠了 Vercel 80 刀，才后知后觉地发现，原来桌面版可以做了。后来花两个周末把 Mac 版发出去，一批用户先掏了钱，再陪着我一点点把它做完。

真正开始和普通用户打交道后，我才发现，把 CLI 套上一个界面只是第一步。一个会删文件的工具，最重要的是知道什么不能删，AI 的编译产物、旧版本、模型和会话记录要怎么分，为什么拿不准的默认不勾选，为什么清理前一定要让人看一眼。有人纠正了我美国用户的温度习惯，有人让我意识到浅色模式也是无障碍需求，还有一位快 70 岁的英国用户买了两次，宁愿把第二笔钱送给我，也不愿退款。

这篇还聊了我为什么一直手工回邮件，为什么不到真正需要时不搭客服和自动化系统，为什么 Mole 平时不弹通知、不制造焦虑，以及一个人做产品时，怎么在功能、权限、设置、全球化、数据和审美之间做取舍。AI 让代码越来越便宜，用户交流、判断力和信任反而更贵了，对我来说，产品工程师大概只有三成是写代码，剩下的是把 Token 花在真正的问题上，做一个好用、安静，又不需要学习的东西。

🎈 Newlearner365

Mole 是非常优秀的 macOS 垃圾清理软件，从 CLI 到 GUI，满足了不同需求用户们的需求。凭借一己之力，使得老牌软件 CleanMyMac 也推出其 CLI

自即日起，Mole 已上架数码荔枝，促销价为￥119 / 双设备买断（比官方更划算），使用自留地优惠码 NewlearnerChannel 额外还可享受 95 折：购买地址

信息来源：TG频道@NewlearnerChannel

🧑🏻‍💻 Mole 出 Mac 版后，用户教会了我做产品最先出现在666News。