MLX Quest

Tracks

1. 01🍎기초 — 왜 MLX인가

   0/6 lessons

   Apple Silicon과 통합 메모리, 그리고 MLX가 메운 빈자리

   코드보다 하드웨어가 먼저야. MLX는 배열 라이브러리를 하나 더 만든 게 아니야. 별도 GPU 메모리조차 없는 칩에 CUDA의 세계관을 억지로 번역해 얹기를 거부하면서 태어난 프레임워크지. 이 트랙에서는 Apple Silicon의 실제 구조, 통합 메모리가 규칙을 바꾸는 이유, Mac 사양별로 가능한 일, PyTorch MPS와 Core ML 옆에 놓았을 때 MLX가 맡는 자리를 살펴봐.

   Lesson list (6)

   • 01
     MLX가 진짜 뭐야~14 min · mlx, introduction, philosophy
   • 02
     통합 메모리 — Apple은 왜 새 배열 라이브러리를 만들었나~16 min · unified-memory, apple-silicon, metal
   • 03
     어떤 Mac에서 MLX를 제대로 쓸 수 있나~10 min · hardware, apple-silicon, macos
   • 04
     192 GB와 512 GB가 바꾼 질문~12 min · large-models, memory, on-device
   • 05
     MLX, PyTorch MPS, Core ML — 셋은 일이 달라~16 min · comparison, pytorch-mps, coreml
   • 06
     2026년 MLX 커뮤니티 — 믿을 코드는 어디에 있나~10 min · community, ecosystem, github

   ✓퀴즈 · 4 문제→

2. 02⚡MLX 핵심 — 설치부터 nn.Module까지

   0/7 lessons

   배열과 지연 실행, 함수 변환, 실제로 학습하는 작은 네트워크

   MLX를 읽기만 하던 손으로 직접 쓰기 시작하는 트랙이야. Rosetta 함정을 피하며 깨끗하게 설치하고, NumPy에서 익힌 방식으로 배열을 다룬 뒤, 지연 실행과 함수 변환이라는 새로운 생각을 잡아. 끝까지 가면 작지만 실제로 동작하는 네트워크를 만들고 학습시킨 상태가 될 거야.

   Lesson list (7)

   • 01
     MLX 설치 — 나중에 후회하지 않는 법~10 min · installation, conda, rosetta
   • 02
     배열과 자료형, 통합 메모리가 만드는 차이~14 min · arrays, dtypes, unified-memory
   • 03
     NumPy 습관은 거의 통한다 — 딱 두 곳만 빼고~14 min · numpy, operations, reshape, broadcasting
   • 04
     지연 실행 — 생각을 한 번만 바꾸면 돼~18 min · lazy-eval, graph, mx.eval
   • 05
     mx.grad와 함수 변환 가족~16 min · autograd, mx.grad, vmap, value-and-grad
   • 06
     nn.Module — 작지만 진짜인 네트워크~18 min · nn.Module, training-loop, optimizer
   • 07
     mx.compile — 숫자로 보이는 커널 결합~14 min · mx.compile, performance, fusion

   ✓퀴즈 · 4 문제→

3. 03🤖mlx-lm — Mac에서 LLM 돌리기

   0/7 lessons

   불러오기부터 프롬프트, 스트리밍, 샘플링, 서빙까지

   mlx-lm은 MLX를 흥미로운 배열 라이브러리에서 지금 당장 로컬 LLM을 돌릴 이유로 바꾼 패키지야. 모델을 불러오고, 스트리밍과 멈춤 토큰을 써서 제대로 생성하고, 미신 없이 샘플링을 조정해. 채팅 템플릿과 내장 OpenAI 호환 서버를 다룬 뒤 무엇이 RAM을 쓰는지도 확인할 거야.

   Lesson list (7)

   • 01
     mlx-lm 5분 — 불러오고 물으면 끝~10 min · mlx-lm, quickstart, loading
   • 02
     텍스트 생성 — 스트리밍과 멈춤 토큰~14 min · generation, streaming, stop-tokens
   • 03
     샘플링에서 미신 걷어내기 — temperature, top-p, repetition_penalty~16 min · sampling, temperature, top-p
   • 04
     mlx-lm이 이미 알아듣는 모델 구조들~12 min · architectures, llama, qwen, mistral
   • 05
     채팅 템플릿 — 모델은 포장 방식까지 배웠어~14 min · chat, templates, tokenizer
   • 06
     내장 OpenAI-호환 서버~14 min · server, openai-compatible, api
   • 07
     성능과 메모리 — 무엇이 RAM을 먹고 왜 먹나~16 min · memory, kv-cache, wired-memory

   ✓퀴즈 · 4 문제→

4. 04🔄변환과 양자화

   0/6 lessons

   Hugging Face에서 MLX로, 그리고 꼭 필요한 정밀도 선택

   실제로 쓰는 MLX 모델 대부분은 Hugging Face 체크포인트에서 변환돼. 이 트랙에서는 `mlx_lm.convert`의 변환 흐름과 Q4·Q8·묶음별·혼합 정밀도 선택을 익혀. 믿을 만한 커뮤니티 모델을 찾는 법과 GGUF가 더 맞는 경우도 솔직하게 비교할 거야.

   Lesson list (6)

   • 01
     MLX 모델 형식 — safetensors, 설정, 토크나이저~12 min · model-format, safetensors, config
   • 02
     mlx_lm.convert — Hugging Face 모델을 MLX에 맞게~14 min · conversion, huggingface, convert
   • 03
     양자화 기초 — Q4와 Q8에서 정말 잃는 것~16 min · quantization, q4, q8, precision
   • 04
     묶음별 양자화와 혼합 정밀도~14 min · quantization, group-size, mixed-precision
   • 05
     Hugging Face의 mlx-community — 어디서 받고 무엇을 믿나~10 min · huggingface, mlx-community, trust
   • 06
     MLX 형식과 GGUF — 언제 무엇을 고르나~12 min · gguf, format-comparison, interop

   ✓퀴즈 · 4 문제→

5. 05🎯파인튜닝 — LoRA, QLoRA, DoRA와 결과 배포

   0/6 lessons

   어댑터 기반 파인튜닝을 처음부터 끝까지

   전체 모델 파인튜닝은 대부분의 사람에게 끝났고 이제 어댑터가 기본 흐름이야. LoRA가 필요한 이유부터 모델이 실제로 배울 자료를 만드는 법, 학습 설정의 의미, QLoRA와 DoRA로 올릴 때, 어댑터 결합과 서빙까지 자기 자료로 반복 가능한 한 흐름을 완성해.

   Lesson list (6)

   • 01
     LoRA — 이제 모델 전체를 학습하지 않는 이유~14 min · lora, adapters, peft
   • 02
     학습 자료 준비 — JSONL, 템플릿, 청소~16 min · data, jsonl, chat-template
   • 03
     학습 설정 — 학습률, 순위, 반복 수는 무엇을 바꾸나~16 min · training, hyperparameters, lora-rank
   • 04
     QLoRA와 DoRA — 기본 LoRA가 부족할 때~14 min · qlora, dora, advanced-fine-tuning
   • 05
     어댑터 결합 — LoRA 계산 없이 추론하기~12 min · merging, fuse, inference
   • 06
     처음부터 끝까지 — 파인튜닝, 결합, 서빙~20 min · walkthrough, end-to-end, deployment

   ✓퀴즈 · 4 문제→

6. 06🎨텍스트 너머 — 오디오, 시각, 이미지, 영상

   0/7 lessons

   mlx-audio, mlx-vlm, 확산 이미지와 실험적 최전선

   MLX는 이제 텍스트에 갇히지 않아. 2026년의 다중양식 도구를 따라 mlx-audio의 TTS·STT, mlx-vlm의 시각 언어 모델, 확산 이미지 생성, 빠르게 변하는 영상·음악을 살펴봐. mlx-examples를 기준 코드로 읽는 법과 LangChain·LlamaIndex 통합도 다뤄.

   Lesson list (7)

   • 01
     mlx-audio TTS — Apple Silicon에서 말하기~12 min · mlx-audio, tts, speech-synthesis
   • 02
     mlx-audio STT — Apple Silicon에서 듣기~12 min · mlx-audio, stt, whisper
   • 03
     mlx-vlm — MLX의 시각 언어 모델~14 min · mlx-vlm, multimodal, vision
   • 04
     이미지 생성 — Mac에서 돌리는 확산 모델~14 min · diffusion, image-generation, stable-diffusion
   • 05
     영상과 음악 — 가장 새롭고 흔들리는 최전선~10 min · video, music, experimental
   • 06
     mlx-examples — 읽을 가치가 있는 기준 코드~12 min · mlx-examples, reading, patterns
   • 07
     MLX 주변 도구 — LangChain, LlamaIndex와 친구들~10 min · langchain, llamaindex, tooling

   ✓퀴즈 · 4 문제→

7. 07⚖️비교 — 실제 생태계 속 MLX

   0/6 lessons

   Ollama, llama.cpp, PyTorch MPS, Core ML과 비교하고 LLM의 MLX 코드 오류까지 짚기

   이 퀘스트의 다른 트랙은 MLX의 강점을 주로 다뤄. 이 트랙에서는 균형을 맞춰 대안과 각자의 장점, MLX를 고르지 말아야 할 때를 살펴봐. 첫 MLX 경험을 조용히 망치는 문제, 즉 LLM 코딩 도우미가 틀린 MLX 코드를 자신 있게 내놓는 현상도 함께 다뤄.

   Lesson list (6)

   • 01
     MLX와 Ollama — 같은 Mac, 서로 다른 층~12 min · ollama, comparison, stack-layers
   • 02
     MLX와 llama.cpp/GGUF — CPU에서 출발한 차이~12 min · llama-cpp, gguf, cpu-inference
   • 03
     MLX와 PyTorch MPS — 통역사와 원어민~14 min · pytorch-mps, comparison, performance
   • 04
     MLX와 Core ML — 연구 작업대와 앱 실행 환경~12 min · coreml, comparison, deployment
   • 05
     LLM이 MLX 코드를 자주 틀리는 이유와 대처법~16 min · llm-limits, self-aware, verification
   • 06
     솔직한 평가 — 지금 MLX가 아닌 것~16 min · honest, limits, linalg-gap

   ✓퀴즈 · 4 문제→

8. 08🚀운영 — 서비스, 프로파일링, 그리고 미래

   0/6 lessons

   실험에서 서비스로, 그리고 다음에 오는 것

   노트북에서 MLX를 실행한 다음 해야 할 일을 다뤄. 실제 API로 감싸고 메모리 한계를 찾으며, Python이 배포에 맞지 않을 때 Swift를 쓰고, 프로세스 하나에서 여러 모델을 다루는 법을 익혀. 실제 병목을 프로파일링하고 JACCL, M5 Neural Accelerator, 계속 발전하는 CUDA 백엔드까지 MLX의 다음 방향도 살펴봐.

   Lesson list (6)

   • 01
     MLX를 FastAPI 서비스로 감싸기~16 min · fastapi, service, api
   • 02
     메모리 최적화 — Mac의 실제 한계 찾기~14 min · memory, wired-memory, vm-pressure
   • 03
     MLX Swift — Python이 맞지 않는 배포~14 min · swift, mlx-swift, ios-app
   • 04
     여러 모델, 묶음 추론, 메모리 공유~14 min · batching, multi-model, throughput
   • 05
     MLX 프로파일링 — 느린 연산 찾기~14 min · profiling, performance, metal-trace
   • 06
     MLX의 미래 — JACCL, Neural Accelerator, CUDA 백엔드~14 min · future, jaccl, m5, cuda

   ✓퀴즈 · 4 문제→