Private LLM 適用於 iPhone、iPad 與 Mac 的私密、未審查 AI 對話

無雲端、無追蹤、無登入。

在您的 iPhone、iPad 與 Mac 上離線執行 AI

Private LLM 完全在您的 iPhone、iPad 或 Mac 上執行。您的對話永遠不會離開裝置，且首次下載模型後無需連接網際網路。無需帳號、無追蹤、無紀錄。一次購買即可解鎖您所有 Apple 裝置及「家人共享」群組中的 App 使用權。

一張 iPhone 螢幕的近距離特寫，顯示 Private LLM App 的介面，使用者在對話介面中輸入文字提示，突顯該 App 能夠在裝置上在地化執行複雜語言模型，以提升隱私與離線功能

在地化執行 DeepSeek R1、Llama 3.3、Qwen3 與 Gemma 3

Private LLM 直接在您的 Apple 裝置上執行領先的開放權重模型 — DeepSeek R1 Distill、Llama 3.3 70B、Qwen3 4B、Phi 4、Google Gemma 3 等。每場對話都保留在裝置上，且每個模型皆在內部進行量化，以確保您的硬體能獲得最佳品質。

為您的裝置尋找最佳開放權重 LLM

iPhone 上 Private LLM App 的截圖，顯示使用者友善的介面，列出可供離線使用的下載式大型語言模型 (LLM)，展示多種模型名稱與說明，強調該 App 的個人化 AI 體驗能力，同時突顯其隱私與離線功能。

Siri 與 Apple Shortcuts 中的在地化 AI — 無需程式碼

Private LLM 直接整合至 Siri 與「捷徑」App。建立 AI 驅動的工作流程來摘要文字、產生寫作內容，或將回應傳送至任何支援 x-callback-url 規格的 70 多款 App。無需程式碼。

查看使用者為 Private LLM 建立的 Apple 捷徑

一台顯示 Private LLM App 介面與 Apple 捷徑整合的 iPhone，展示在 iOS 上個人化 AI 互動的流暢使用者體驗

一次購買，無需訂閱 — 支援六人「家人共享」

放棄訂閱，選擇 Private LLM，做出更聰明的選擇。單次購買即可解鎖所有 Apple 平台（iPhone、iPad 與 Mac）上的 App，並支援最多六位親友的「家人共享」。此方式不僅簡化了存取流程，更提升了您的投資價值，讓數位隱私與智慧在您的家庭中普及。

macOS 上 Private LLM 介面的截圖，顯示使用者在 App 的文字輸入欄位中輸入提示，準備接收來自在地化語言模型的即時離線回應

內建於 macOS 的 AI 寫作工具

在任何 macOS App 中選取文字，按右鍵即可讓 Private LLM 進行改寫、摘要或校對 — 完全在裝置上完成。支援英文與主要西歐語言。

由兩位工程師打造，非創投驅動

Private LLM 由兩位歐盟工程師打造 — 自力更生、無創投資金、無成長駭客路線圖。我們是 App Store 上唯一具備 OmniQuant 與 GPTQ 量化技術的 App，其產出品質明顯優於 MLX 及 Ollama 與 LM Studio 等 llama.cpp 包裝 App 所使用的 RTN 量化。我們對使用者負責，而非投資人 — 這就是為什麼您的資料始終保留在裝置上。

來自 App Store

來自 iPhone 與 Mac 使用者的真實評論

“This is a private AI app created by developers performing constant updates and not charging a subscription. That is rare nowadays! Bravo, looking forward to the updates as this continues to improve!”

🇺🇸8parental8 · App Store 評論

閱讀 App Store 評論

OmniQuant 與 GPTQ 量化：更佳產出，更少記憶體

Private LLM 使用 OmniQuant 與 GPTQ 量化。當 LLM 為裝置端推論進行量化時，離群權重值會損害文字生成品質。OmniQuant 透過基於最佳化的可學習裁剪機制來調節離群權重，從而將量化誤差降至最低。GPTQ 使用近似二階 (Hessian) 資訊來最小化關鍵權重的重建誤差。基於 MLX 的 App（如 LM Studio）所使用的仿射 RTN 量化，以及基於 llama.cpp 的 App（如 Ollama）所使用的區塊式 RTN 變體，皆跳過了此類權重級的最佳化 — 這就是為什麼這些 App 在相同的 Apple 硬體上產出的品質較低。我們持續探索先進的量化方法，這是建立在第三方推論引擎上的包裝 App 無法承擔的工作。OmniQuant 與 GPTQ 搭配針對模型最佳化的 Metal 核心，讓 Private LLM 能在 Apple 硬體上提供既快速又高品質的文字生成。

Private LLM 與 Ollama 的比較