В macOS 27 спрятана локальная LLM: 10 вещей, которые можно сделать через Terminal

После установки macOS 27 в системе появляется команда fm. За двумя буквами скрывается интерфейс к Apple Foundation Models — языковым моделям, на которых работают функции Apple Intelligence.

Команду не нужно скачивать через Homebrew, регистрировать в стороннем сервисе или подключать к платному API. Apple предустанавливает fm вместе с macOS 27. По умолчанию запросы обрабатывает модель, работающая непосредственно на Mac. Для более сложных задач можно переключиться на увеличенную модель в Private Cloud Compute.

Называть её «секретной LLM» не совсем правильно. Apple показала fm разработчикам на WWDC 2026 и выпустила Python SDK. Однако для обычного владельца Mac инструмент действительно остаётся почти невидимым: у него нет отдельной иконки, окна или пункта в настройках. Запускать модель нужно через Terminal или собственный скрипт.

На 21 июля 2026 года macOS 27 ещё находится на стадии тестирования. Apple выпустила beta 4 только 20 июля, поэтому команды, параметры и стабильность работы могут измениться к финальному релизу.

Как запустить локальную модель

Откройте Terminal и введите:

fm

Система покажет доступные команды. Для обычного диалога используется:

fm chat

Для единичного запроса без запуска интерактивного чата:

fm respond "Объясни простыми словами, что такое DNS"

fm chat сохраняет контекст текущего разговора, поэтому после первого вопроса можно задавать уточнения. Команда /save сохраняет сессию, а /model позволяет переключать модель, включая вариант, работающий через Private Cloud Compute.

1. Работать с ИИ без интернета и аккаунта

Главное отличие fm от ChatGPT, Claude или Gemini заключается не в качестве ответов, а в способе выполнения запроса. Локальная модель запускается на самом Mac и не требует отправки текста на внешний сервер.

Это полезно при работе с неопубликованными статьями, внутренними отчётами, исходным кодом, коммерческими предложениями и другими материалами, которые нежелательно загружать в сторонний сервис.

Локальный запуск также убирает оплату за токены. Можно обрабатывать сотни коротких текстов, не считая стоимость каждого запроса и не контролируя остаток на API-балансе. Apple прямо позиционирует Foundation Models как инструмент без API-ключа и облачных расходов для локального режима.

Но приватность зависит от выбранной модели. Если переключить fm на Private Cloud Compute, обработка уже не будет полностью локальной. Облачная модель крупнее и лучше справляется со сложными запросами, однако требует подключения к интернету и имеет лимиты использования.

2. Переписывать и сокращать тексты прямо в Terminal

fm можно использовать как локальный редактор:

fm respond "Сократи текст до 500 знаков, сохрани цифры и выводы: ..."

Модель может исправлять ошибки, менять тон, собирать лид, превращать длинный абзац в тезисы или делать несколько вариантов заголовка.

Преимущество Terminal проявляется при массовой обработке. Вместо ручного копирования текста в чат можно написать shell- или Python-скрипт, который последовательно берёт файлы из папки, передаёт содержимое модели и сохраняет результат.

Так можно за один запуск:

• сократить 50 описаний товаров;
• привести заголовки к единому формату;
• удалить повторы из расшифровок;
• подготовить краткие аннотации к документам;
• преобразовать заметки в связный текст.

Слабое место — размер контекста. Локальная модель рассчитана на компактные задачи и может потерять детали в длинном документе. Большой отчёт лучше разбивать на части, обрабатывать по разделам, а затем собирать итоговое резюме.

3. Классифицировать документы, письма и заметки

Модель умеет определять смысл текста, даже когда в нём нет фиксированных ключевых слов.

Например, обращения клиентов можно распределять по категориям:

fm respond "Определи категорию обращения: оплата, техническая проблема, возврат или другое. Текст: ..."

Обычный скрипт ищет конкретные совпадения: «вернуть деньги», «не работает», «списали оплату». LLM анализирует контекст и может распознать жалобу на платёж без прямого упоминания слова «оплата».

Эту механику можно применить к:

• сортировке отзывов по тональности;
• присвоению тем статьям;
• определению приоритета задач;
• выделению потенциального спама;
• разметке лидов по намерению;
• распределению писем между отделами.

В Python SDK Apple предусмотрела отдельный режим CONTENT_TAGGING, предназначенный для категоризации и маркировки контента.

4. Превращать обычный текст в структурированный JSON

Ответ свободным текстом неудобен для автоматизации. Скрипт не знает, где модель написала имя, дату, категорию или итоговую сумму.

У fm есть guided generation — генерация по заранее заданной схеме. Сначала создаётся структура через fm schema object, затем она передаётся команде fm respond. На выходе получается предсказуемый объект с заданными полями.

Например, из текста заявки можно извлечь:

{
  "name": "Иван",
  "service": "Разработка сайта",
  "budget": 150000,
  "urgency": "high"
}

Apple использовала такую механику в официальной демонстрации: модель получала список файлов и возвращала два массива — финальные версии и черновики. Скрипт затем работал с этим JSON и перемещал файлы по нужным папкам.

Структурированный вывод превращает LLM из чат-бота в компонент программы. Результат можно передать в CRM, таблицу, базу данных или следующий этап автоматизации.

5. Наводить порядок в папках по смыслу названий

Файлы часто называются так:

presentation-final.pptx
presentation-final-2.pptx
presentation-new-final.pptx
presentation-really-final.pptx
presentation-old.pptx

Определить актуальную версию обычным правилом сложно. Дата изменения тоже не всегда помогает: старый файл могли открыть и случайно пересохранить.

fm может получить список названий, определить вероятные черновики и финальные версии, после чего shell-скрипт переместит их в разные каталоги.

Именно этот пример Apple показала на WWDC 2026. Модель не удаляла файлы самостоятельно. Скрипт собирал список, LLM выполняла классификацию, а обычные команды macOS копировали и перемещали данные.

Разделение ролей снижает риск. Модель принимает смысловое решение, но доступ к файловой системе контролирует программа. Перед удалением файлов можно добавить подтверждение пользователя или сначала перемещать их в архив.

6. Анализировать изображения и скриншоты

В macOS 27 Foundation Models получила поддержку мультимодальных запросов. Команда fm respond позволяет передать изображение через соответствующий параметр и задать вопрос о его содержимом.

Практические сценарии:

• описать содержимое скриншота;
• извлечь позиции из фотографии чека;
• определить тип графика;
• найти элементы интерфейса;
• составить alt-текст;
• проверить изображение на наличие логотипа или текста;
• классифицировать фотографии перед сортировкой.

Foundation Models может обращаться к локальным инструментам Vision, включая OCR и распознавание штрихкодов. Обработка изображения при этом может выполняться на устройстве.

Модель не заменяет специализированное компьютерное зрение там, где нужна точность до пикселя. Она лучше подходит для смыслового анализа: понять, что изображено, собрать описание или принять простое решение.

7. Извлекать данные из документов

Связка OCR, языковой модели и структурированного вывода позволяет построить локальный парсер документов.

Например, скрипт получает фотографию счёта и возвращает:

{
  "seller": "Компания",
  "invoice_number": "A-1048",
  "date": "2026-07-18",
  "amount": 48200,
  "currency": "RUB"
}

Похожим способом можно разбирать визитки, накладные, таблицы, скриншоты аналитики и формы заявок.

Цена ошибки здесь выше, чем при генерации текста. Модель может неправильно распознать цифру или придумать отсутствующее поле. Для денежных сумм, дат и реквизитов нужно добавлять проверку формата, контрольные правила и ручное подтверждение.

LLM отвечает за понимание документа, но не должна быть единственным источником истины.

8. Встраивать модель в Python-скрипты

Одновременно с fm Apple выпустила официальный Foundation Models SDK for Python. Он позволяет работать с системной моделью через привычный Python-код:

import apple_fm_sdk as fm

model = fm.SystemLanguageModel()
session = fm.LanguageModelSession(model=model)

response = await session.respond(
    prompt="Составь краткое резюме текста"
)

SDK поддерживает потоковую генерацию, многошаговые диалоги, изображения, структурированные ответы и вызов функций. Для установки нужны Python 3.10+, Xcode и включённый Apple Intelligence на совместимом Mac.

Это позволяет создавать локальные инструменты без отдельного AI-сервера:

• анализатор контента;
• сортировщик документов;
• помощник для обработки CSV;
• генератор описаний;
• классификатор обращений;
• локальный интерфейс к корпоративной базе.

Модель поставляется вместе с системой, поэтому разработчику не нужно отдельно загружать веса, поднимать Ollama или выбирать формат квантования.

9. Подключать функции и создавать локальных агентов

Сама языковая модель умеет генерировать ответ, но не знает содержимое ваших папок, CRM или базы данных. Доступ к внешним данным появляется через tool calling — вызов функций, которые разработчик явно предоставляет модели.

Например, программе можно передать три инструмента:

find_customer()
get_orders()
create_support_ticket()

Модель анализирует запрос пользователя, выбирает нужную функцию, получает результат и формирует ответ.

Apple демонстрировала похожую механику на примере приложения для заказа продуктов: модель могла вызвать функцию получения истории покупок, а затем предложить недостающие товары.

Функции позволяют собрать локального агента, который ищет данные, анализирует результат и выполняет действия. Однако права нужно ограничивать. Инструмент для чтения файла безопаснее инструмента, способного удалить каталог или отправить письмо без подтверждения.

10. Тестировать промпты без расходов на API

Python SDK можно использовать для пакетной проверки качества запросов.

Допустим, есть три варианта промпта для классификации лидов. Вместо субъективной оценки разработчик прогоняет через каждый вариант 500 заранее размеченных заявок и сравнивает:

• долю правильных категорий;
• число пропущенных лидов;
• количество выдуманных данных;
• скорость обработки;
• стабильность формата ответа.

На WWDC Apple показала evaluation pipeline на Python с использованием Jupyter, Pandas и matplotlib. Результаты разных промптов оценивались по нескольким критериям и сравнивались на графиках.

Локальная модель позволяет выполнять такие тесты без оплаты тысяч запросов. Однако результаты относятся именно к Apple Foundation Model. Промпт, хорошо работающий локально, может вести себя иначе в Claude, Gemini или GPT.

Где заканчивается магия

fm не превращает Mac в автономный сверхразум.

Локальная модель не получает автоматического доступа ко всем файлам, приложениям и перепискам. Она видит только то, что пользователь или программа передали в запрос. В официальном примере с сортировкой файлов список собирал shell-скрипт, а операции копирования выполняли обычные системные команды.

Модель также не знает свежие новости и текущие данные, пока ей не предоставить источник. Без подключения инструмента поиска она может уверенно назвать устаревшую или выдуманную информацию.

По качеству локальный вариант уступает крупным облачным моделям. Apple предлагает Private Cloud Compute именно для задач, где компактной модели недостаточно. Автор исходного материала также отмечает небольшую память, отсутствие актуальных данных и периодические галлюцинации.

Наконец, macOS 27 пока остаётся бета-версией. Устанавливать её на основной рабочий Mac только ради fm рискованно: ошибки системы могут стоить дороже, чем экономия на нескольких API-запросах.

Что Apple фактически сделала

Apple встроила в macOS не очередной чат, а системный AI-runtime с несколькими уровнями доступа:

• fm — быстрые запросы и shell-автоматизация;
• Python SDK — прототипирование, обработка данных и тестирование;
• Swift Foundation Models — интеграция в приложения;
• Private Cloud Compute — более крупная модель для сложных задач;
• Language Model protocol — подключение Claude, Gemini и других провайдеров через общий интерфейс.

Главный сценарий fm — не разговоры с ботом в Terminal. Настоящая ценность появляется, когда языковая модель становится частью обычного скрипта: получает локальные данные, возвращает структурированный результат, а программа проверяет его и выполняет действие.

Именно здесь локальная LLM начинает экономить время. Не потому, что пишет ответ на вопрос, а потому, что встраивается между файлами, командами, таблицами и рабочими процессами без отдельного сервера, API-ключа и оплаты каждого токена.