这几年苹果的 M 系列芯片真的是把“统一内存”这个概念玩明白了。平时跑跑 Ollama 推理，看着几十 GB 的模型直接丢进内存里跑得飞起，确实很爽。
但爽完之后，我遇到了一个很现实的痛点：如果我想把自己平时积累的资料、文档“喂”给大模型，自己微调（Fine-tune）一个专属的小模型呢？
一折腾才发现，微调的体验简直是灾难。 你要先装 Python 环境，搞定 mlx-lm 的各种依赖；然后要把手头的文本手动洗成那种极其死板的 JSONL 格式（少个标点符号就报错）；接着在终端里敲一大串参数跑训练。好不容易跑完几十个 Epoch，测效果还得再写个脚本……整个流程极其割裂，中间断一次心态就崩了。
“既然跑推理可以像 Ollama 那么无脑优雅，为什么微调不行？”
出于这个痛点，外加一点想要 All-in-One 的强迫症，我干脆自己动手，用 Tauri 2.0 + React 撸了一个 macOS 桌面端工具，名字叫 M-Courtyard。
简单来说，它给苹果官方的 MLX 框架套了个开箱即用的图形化界面。
它能干嘛？
纯 UI 数据处理：不需要你写 Python 洗数据，直接在界面上把杂乱的文本转成微调需要的格式，里面还顺手做去重和隐私过滤。
点一下就开练：底层无缝对接 mlx-lm，配置好 LoRA 参数点开始，就能榨干你 Mac 的统一内存做训练。
内置 A/B 测试：微调完了好不好用？界面里带了个聊天窗口，可以把“基础模型”和“微调后的模型”拉出来直接对比对话。
一键丢给 Ollama：如果你也是 Ollama 的重度用户，训练好的模型可以一键打包导出过去，无缝衔接你的日常工作流。
最重要的一点：断网可用，完全本地保护隐私。
这个工具本来是写给我自己“偷懒”用的，后来想着既然做出来了，干脆彻底开源（AGPL 3.0 协议）。如果你正好也有一台大内存的 Mac（M1~M4 都可以），而且受够了在终端里反复横跳，欢迎来 GitHub 提个 issue 或者点个 Star 支持一下独立开发者。
GitHub 地址：https://github.com/Mcourtyard/m-courtyard
（如果不想自己编译，Release 页面有直接打包好的 .dmg 文件）
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。