MLX Quest

Tracks

1. 01🍎Foundations — 왜 MLX 인가

   0/6 lessons

   Apple Silicon, unified memory, 그리고 MLX 가 메우러 온 갭

   코드 전에 하드웨어. MLX 는 단순히 또 하나의 array library 가 아냐 — CUDA 의 세계관을 별도 GPU 메모리도 없는 칩에 번역해서 얹기를 거부한 사람들이 박은 framework 야. 이 트랙은 architectural why — Apple Silicon 이 진짜 뭔지, unified memory 가 왜 룰을 다시 쓰는지, 어떤 Mac 에서 가능한지, PyTorch MPS 와 CoreML 옆에 솔직히 세웠을 때 MLX 가 어떤지.

   Lesson list (6)

   • 01
     MLX 가 진짜 뭐야~14 min · mlx, introduction, philosophy
   • 02
     Unified Memory — 왜 Apple 이 새 array library 를 박았나~16 min · unified-memory, apple-silicon, metal
   • 03
     어떤 Mac 이 MLX 자격이 있어~10 min · hardware, apple-silicon, macos
   • 04
     192 GB (그리고 512 GB) 가 바꾸는 대화~12 min · large-models, memory, on-device
   • 05
     MLX vs PyTorch MPS vs CoreML — 셋이서 솔직히~16 min · comparison, pytorch-mps, coreml
   • 06
     2026 의 MLX 커뮤니티 — 진짜 코드는 어디에 있나~10 min · community, ecosystem, github

   ✓퀴즈 · 4 문제→

2. 02⚡MLX Core — 설치부터 nn.Module 까지

   0/7 lessons

   Array, lazy eval, function transform, 그리고 돌아가는 작은 네트워크

   MLX 에 대해 *읽기*를 멈추고 *쓰기* 시작하는 곳. 깨끗하게 설치 (Rosetta 함정 진짜야), NumPy 가 가르친 방식으로 array 잡고, 그대로 안 통하는 두 반사 (lazy evaluation, function transform) 잡기. 이 트랙 끝에 작긴 해도 진짜 돌아가는 네트워크를 박고 학습시켰을 거야.

   Lesson list (7)

   • 01
     MLX 설치 — 스스로 미워지지 않게~10 min · installation, conda, rosetta
   • 02
     Array, dtype, 그리고 unified-memory 의 차이~14 min · arrays, dtypes, unified-memory
   • 03
     그대로 통하는 NumPy 반사 — 그리고 갈라지는 두 곳~14 min · numpy, operations, reshape, broadcasting
   • 04
     Lazy evaluation — 한 번만 머리 바꾸면 되는 그것~18 min · lazy-eval, graph, mx.eval
   • 05
     mx.grad — 그리고 function transform 가족~16 min · autograd, mx.grad, vmap, value-and-grad
   • 06
     nn.Module — 의미 있는 가장 작은 네트워크~18 min · nn.Module, training-loop, optimizer
   • 07
     mx.compile — 측정 가능한 kernel fusion~14 min · mx.compile, performance, fusion

   ✓퀴즈 · 4 문제→

3. 03🤖mlx-lm — Mac 위에서 LLM 돌리기

   0/7 lessons

   Load, prompt, stream, sample, serve — 2026 시점 stack 으로

   mlx-lm 은 MLX 를 "흥미로운 array library" 에서 "내가 지금 LLM 을 로컬로 돌리는 이유" 로 만든 패키지야. 이 트랙은 실용 루프 — 모델 로드, 제대로 생성 (스트리밍, stop token), 미신 빼고 sampling tune, chat template 다루기, 내장 OpenAI-호환 서버 띄우기, 그리고 뭐가 RAM 을 먹는지 이해.

   Lesson list (7)

   • 01
     mlx-lm 5분 — 로드, 프롬프트, 끝~10 min · mlx-lm, quickstart, loading
   • 02
     텍스트 생성 — 스트리밍, 멈추기, stop token~14 min · generation, streaming, stop-tokens
   • 03
     Sampling, 신화 빼고 — temperature, top-p, repetition_penalty~16 min · sampling, temperature, top-p
   • 04
     mlx-lm 이 이미 알아듣는 architecture 들~12 min · architectures, llama, qwen, mistral
   • 05
     Chat template — 모델이 단어 포장 방식에 까다로울 때~14 min · chat, templates, tokenizer
   • 06
     내장 OpenAI-호환 서버~14 min · server, openai-compatible, api
   • 07
     Performance & Memory — 뭐가 RAM 을 먹나, 왜 먹나~16 min · memory, kv-cache, wired-memory

   ✓퀴즈 · 4 문제→

4. 04🔄변환 & 양자화

   0/6 lessons

   Hugging Face → MLX, 그리고 진짜 중요한 양자화 선택

   실제로 돌릴 MLX 모델 대부분은 Hugging Face checkpoint 에서 변환된 거야. 이 트랙은 변환 파이프라인 (`mlx_lm.convert`), 양자화 결정 (Q4 vs Q8 vs group-wise vs mixed-precision), 신뢰할 만한 커뮤니티 업로드가 어디 있는지, 그리고 GGUF 와의 솔직한 비교.

   Lesson list (6)

   • 01
     MLX model format — safetensors + config + tokenizer~12 min · model-format, safetensors, config
   • 02
     mlx_lm.convert — Hugging Face 모델을 MLX-native 로~14 min · conversion, huggingface, convert
   • 03
     Quantization 기초 — Q4, Q8, 진짜 잃는 게 뭐~16 min · quantization, q4, q8, precision
   • 04
     Group-wise & mixed-precision 양자화~14 min · quantization, group-size, mixed-precision
   • 05
     Hugging Face 의 mlx-community — 어디서 pull, 어떻게 신뢰~10 min · huggingface, mlx-community, trust
   • 06
     MLX-format vs GGUF — 언제 어느 거~12 min · gguf, format-comparison, interop

   ✓퀴즈 · 4 문제→

5. 05🎯Fine-Tuning — LoRA, QLoRA, DoRA, 그리고 결과 내보내기

   0/6 lessons

   Adapter 기반 fine-tuning end-to-end

   Full-model fine-tuning 은 거의 모두에게 죽었어 — adapter 가 워크플로. 이 트랙은 전체 루프 — 왜 LoRA, 모델이 *진짜* 학습할 데이터 준비법, training config 노브가 진짜 뭘 뜻하는지, QLoRA 나 DoRA 로 졸업할 때, adapter merge 와 서빙, 그리고 자기 데이터셋으로 반복 가능한 완전한 walkthrough.

   Lesson list (6)

   • 01
     LoRA — 더 이상 모델 전체 안 학습시키는 이유~14 min · lora, adapters, peft
   • 02
     Training data 준비 — JSONL, template, 청소~16 min · data, jsonl, chat-template
   • 03
     Training config — learning rate, rank, epoch, 어떤 레버가 뭘 하나~16 min · training, hyperparameters, lora-rank
   • 04
     QLoRA & DoRA — vanilla LoRA 가 부족할 때~14 min · qlora, dora, advanced-fine-tuning
   • 05
     Adapter merge — 매번 LoRA 거치지 않고 추론~12 min · merging, fuse, inference
   • 06
     End-to-End walkthrough — Fine-tune, merge, serve~20 min · walkthrough, end-to-end, deployment

   ✓퀴즈 · 4 문제→

6. 06🎨텍스트 너머 — 오디오, 비전, 이미지, 비디오

   0/7 lessons

   mlx-audio, mlx-vlm, 이미지 diffusion, 그리고 실험적 변경

   MLX 는 이제 텍스트 전용이 아냐. 이 트랙은 2026 시점의 multimodal stack — mlx-audio 로 TTS/STT, mlx-vlm 으로 vision-language model, diffusion 으로 이미지 생성, 흔들리는 video/music frontier, 읽기용 라이브러리로서의 mlx-examples repo, 그리고 MLX 가 LangChain / LlamaIndex / 친구들에 어떻게 엮이고 있는지.

   Lesson list (7)

   • 01
     mlx-audio TTS — Apple Silicon 위에서 말하기~12 min · mlx-audio, tts, speech-synthesis
   • 02
     mlx-audio STT — Apple Silicon 위에서 듣기~12 min · mlx-audio, stt, whisper
   • 03
     mlx-vlm — MLX 의 Vision-Language Model~14 min · mlx-vlm, multimodal, vision
   • 04
     Image generation — Mac 위의 diffusion~14 min · diffusion, image-generation, stable-diffusion
   • 05
     Video & music — 가장 새롭고 가장 흔들리는 frontier~10 min · video, music, experimental
   • 06
     mlx-examples — 읽을 가치 있는 reference library~12 min · mlx-examples, reading, patterns
   • 07
     MLX 주변 도구들 — LangChain, LlamaIndex, 친구들~10 min · langchain, llamaindex, tooling

   ✓퀴즈 · 4 문제→

7. 07⚖️비교 — 진짜 ecosystem 안의 MLX

   0/6 lessons

   MLX vs Ollama / llama.cpp / PyTorch MPS / CoreML, 그리고 LLM-이-MLX-못-쓰는 문제

   이 quest 의 다른 곳 대부분은 필요상 MLX-긍정. 이 트랙은 보정하는 반대편 — 대안이 뭐고, 각각이 뭘 더 잘하고, MLX 를 *안* 잡을 때, 그리고 모두의 첫 MLX 경험을 조용히 망치는 메타 이슈 — LLM 코딩 어시스턴트가 자신 있게 잘못된 MLX 코드를 쓰는 문제.

   Lesson list (6)

   • 01
     MLX vs Ollama — 같은 Mac, 다른 layer~12 min · ollama, comparison, stack-layers
   • 02
     MLX vs llama.cpp / GGUF — CPU 뿌리가 중요할 때~12 min · llama-cpp, gguf, cpu-inference
   • 03
     MLX vs PyTorch MPS — 통역사 vs 원어민~14 min · pytorch-mps, comparison, performance
   • 04
     MLX vs CoreML — 연구 workbench vs 앱 출하 runtime~12 min · coreml, comparison, deployment
   • 05
     'LLM 이 MLX 코드 못 쓰는' 문제 — 그리고 내가 살아남는 법~16 min · llm-limits, self-aware, verification
   • 06
     솔직한 평가 — 오늘 시점 MLX 가 뭐가 아닌지~16 min · honest, limits, linalg-gap

   ✓퀴즈 · 4 문제→

8. 08🚀Production — 감싸기, profiling, 그리고 미래

   0/6 lessons

   실험에서 서비스로, 그리고 다음에 오는 것

   Notebook 에서 MLX 가 돈 다음에 하는 일. 진짜 API 로 감싸기, 진짜 메모리 천장 찾기, Python 이 잘못된 도구일 때 Swift 출하, 같은 프로세스에서 여러 모델 돌리기, 진짜 느린 게 뭔지 profiling, 그리고 MLX 가 향하는 곳 — JACCL, M5 Neural Accelerator, 그리고 아직 진화 중인 CUDA backend.

   Lesson list (6)

   • 01
     MLX 를 FastAPI 서비스 뒤에 감싸기~16 min · fastapi, service, api
   • 02
     Memory optimization — Mac 의 진짜 벽이 어디인가~14 min · memory, wired-memory, vm-pressure
   • 03
     MLX Swift — Python 이 답이 아닐 때~14 min · swift, mlx-swift, ios-app
   • 04
     여러 모델, batch inference, 메모리 공유~14 min · batching, multi-model, throughput
   • 05
     MLX profiling — 느린 op 찾기~14 min · profiling, performance, metal-trace
   • 06
     MLX 의 미래 — JACCL, Neural Accelerator, CUDA backend~14 min · future, jaccl, m5, cuda

   ✓퀴즈 · 4 문제→