AnyLanguageModel 1.0发布：在苹果平台用同一套API切换本地与托管模型
Hugging Face博客称，AnyLanguageModel 1.0与swift-huggingface 1.0、swift-xet 1.0同期发布；开发者只需把import FoundationModels改为import AnyLanguageModel，同一套会话代码即可调用系统模型、llama.cpp/MLX/Core ML本地模型以及多家托管服务。
AI解读：AnyLanguageModel定位为苹果Foundation Models框架的兼容替代品，核心卖点是同一套会话代码可在系统模型、开源权重本地模型和托管提供商之间切换，切换成本是一行import改动。
来源列举的本地后端为llama.cpp、MLX和Core ML；托管侧覆盖OpenAI的Chat Completions与Responses、Anthropic Messages、Google Gemini、Ollama、OS 27上的Private Cloud Compute，以及通过自定义base URL接入的Hugging Face Inference Providers和OpenRouter等OpenAI兼容端点。
功能层面，作者称工具调用与引导生成（含嵌套 @Generable类型及其数组）在所有提供商上可用，图像输入遵循Foundation Models 27的语法，托管提供商同样支持流式工具调用和token用量返回。
来源给出的模型与体积示例：Gemma 4 E2B在Q4_0下约 3.4 GB、LFM2.5 2.6B在Q4_K_M下约 1.7 GB，两者可放在iPhone上；Qwen3.8 27B的MLX 4位版本约 16 GB，需要 32 GB内存及以上的Mac。
来源还称AnyLanguageModel可在Linux上运行，同一份代码可用于服务端；API密钥改为通过闭包获取，便于应用从自有服务器取得短期令牌。
适用范围和限制：上述能力与模型名均来自Hugging Face博客的发布说明，属于项目方陈述；来源未给出基准测试或独立评测数据，也未说明 1.0 版本在各平台上的具体兼容性差异。
Hugging Face博客发文宣布AnyLanguageModel 1.0发布，同期发布的还有swift-huggingface 1.0和swift-xet 1.0。该项目一年前以“苹果Foundation Models框架的即插即用替代品”形式推出，目标是让应用开发者自行选择模型和提供商。
博客称，迁移只需把import FoundationModels换成import AnyLanguageModel，原有会话代码即可用于系统模型、经llama.cpp、MLX、Core ML运行的开源权重模型，以及多家托管提供商。
1.0 版本的功能范围
博客列出过去一年加入的主要能力：工具调用和引导生成在所有提供商上可用，引导生成支持嵌套的 @Generable类型及其数组；图像支持按Foundation Models 27的语法把图片附到提示中，包括在iOS、macOS和visionOS 27上使用系统模型的场景。
在OS 27上，AnyLanguageModel还可用于任何遵循Foundation Models的LanguageModel协议的模型，包括Core AI模型。配套的swift-huggingface和swift-xet用于让Swift应用从Hub加速下载模型。
托管提供商与密钥处理
托管侧新增的支持包括：OpenAI的Chat Completions和Responses API；面向兼容端点的Open Responses；带自适应思考和effort选项的Anthropic Messages API；Google Gemini API；Ollama；OS 27上的Private Cloud Compute；以及通过自定义base URL接入的Hugging Face Inference Providers和其他OpenAI兼容端点，如OpenRouter。
博客称，托管提供商与本地模型享有相同功能，包括引导生成、带流式输出的工具调用，以及响应中的token用量。推理内容现在也进入转录记录，切换提供商时，若新提供商无法重放推理块，这些块会自动从请求中省略。
API密钥改为从闭包获取而非字符串，应用可从自有服务器拉取短期令牌。README说明了何种情况下让用户自带密钥、何种情况下经代理转发请求。AnyLanguageModel也可在Linux上运行。
开源权重模型示例
博客列出的下载量较高模型包括：Google的Gemma 4 E2B（GGUF，Q4_0下约 3.4 GB，采用量化感知训练）、Liquid AI的LFM2.5 2.6B（GGUF，Q4_K_M下约 1.7 GB）、阿里巴巴面向MLX的Qwen3.8 27B（4 位下约 16 GB）。前两个可放在iPhone上，Qwen3.8 27B需要 32 GB内存及以上的Mac。
博客还提到，Z.ai的GLM-5.3在BF16下约需 1.5 TB，需四台顶配Mac Studio，普通用户可通过Inference Providers使用。选择MLX模型只需一行代码：MLXLanguageModel(modelId: "mlx-community/Qwen3.8-27B-4bit")。