MacPaw entwickelt lokale KI-Inferenz für Eney auf dem Mac

MacPaw entwickelt den KI-Assistenten Eney für macOS. Nach Angaben des Unternehmens wurde Eney bereits im Vorjahr auf ein lokales Modell umgestellt: Schlussfolgerungen, kontextbezogene Suche, Skill-Ausführung und Gesprächsverlauf verbleiben dabei nach Möglichkeit auf dem Gerät. MacPaw will diesen lokalen Ansatz gemeinsam mit Liquid AI weiterentwickeln.

Dafür haben beide Unternehmen eine langfristige strategische Partnerschaft angekündigt. Gegenstand ist nicht die bloße Einbindung eines fremden Modells, sondern die gemeinsame Entwicklung eines Technologie-Stacks für lokale KI auf dem Mac. Eney ist das erste Produkt, in dem diese Architektur eingesetzt werden soll.

MacPaw und Liquid AI entwickeln eine lokale Architektur für macOS-KI. Liquid AI passt seine Liquid Foundation Models an die Aufgaben eines Mac-Assistenten an und stimmt sie darauf ab. MacPaw verbindet diese Modelle mit zwei eigenen Komponenten: Elix für die On-Device-Inferenz und Mnemos als Speicherschicht.

Der Schwerpunkt liegt auf den Kernaufgaben von Eney. Diese sollen lokal über Elix auf Apple Silicon laufen. Cloud-Modelle bleiben für Aufgaben vorgesehen, bei denen sie nach Einschätzung der Unternehmen das geeignetere Werkzeug sind. MacPaws CEO Oleksandr Kosovan zufolge sollen lokal gehostete Modelle Nutzerinnen und Nutzern außerdem ermöglichen, Assistenten und agentische Workflows offline auszuführen.

Mnemos soll Kontext über mehrere Interaktionen hinweg bewahren. Die Speicherschicht ist damit Teil des geplanten Assistenten-Stacks neben Modellinferenz und nativer Ausführung von macOS-Aufgaben. MacPaw und Liquid AI beschreiben die zuverlässige Umsetzung agentischer Abläufe auf lokalen Modellen als zentrale Entwicklungsaufgabe: Dazu gehören die Auswahl eines passenden Modells je Aufgabe, die Gestaltung der Abläufe und deren Validierung auf lokalen Modellen.

Die Architektur kombiniert drei Ebenen: die für macOS-Unterstützung entwickelten Liquid Foundation Models, Elix als Inferenzrahmen auf dem Gerät und Mnemos als persistente Speicherkomponente. Die Foundation Models werden für die tatsächlichen Aufgaben des Assistenten entwickelt und feinabgestimmt. Die Inferenz soll auf Apple Silicon erfolgen.

Das Ziel der lokalen Verarbeitung ist nach Angaben der Partner, persönliche Daten auf dem Mac zu halten, kurze Reaktionszeiten zu ermöglichen und Kernaufgaben ohne Internetverbindung zu bearbeiten. Zugleich ist ein hybrider Ansatz vorgesehen, bei dem Cloud-Modelle weiterhin verfügbar sind. Die Quellen nennen als Kriterium, dass rechenintensive Verarbeitung dort stattfinden soll, wo sie jeweils am sinnvollsten ist.

Die geplante Infrastruktur ist nicht ausschließlich für Eney angelegt. Modelle, Inferenzrahmen und Speicherschicht sollen als gemeinsame Grundlage für das MacPaw-Produktsystem dienen. Nach der Implementierung in Eney plant MacPaw, die Technologie über Setapp auch Mac-Entwicklern zugänglich zu machen. Für Entwickler soll die Plattform laut Kosovan zudem Zugriff auf weitere Cloud-Modelle, etwa von Google, bündeln.

Ein bereits beschriebener Umsetzungsstand besteht darin, dass Eney nach MacPaw-Angaben seit dem Vorjahr ein lokales Modell nutzt und zentrale Funktionen nach Möglichkeit auf dem Gerät verarbeitet. Die weitergehende gemeinsame Architektur mit Liquid AI wurde angekündigt; für Eney werden Ergebnisse später im Jahr erwartet.

Belastbare Messwerte zu Antwortzeiten, Qualität, Nutzungszahlen, Offline-Quote oder Produktivitätswirkungen enthalten die Quellen nicht. Auch die breitere Bereitstellung über Setapp wird als nächster Schritt nach der Implementierung in Eney beschrieben, nicht als bereits erfolgte Einführung.

Der Fall betrifft den Ausbau eines bereits lokal ausgerichteten Assistenten zu einer kombinierten Infrastruktur für Modellinferenz, dauerhaften Kontext und native macOS-Aufgabenausführung. MacPaw setzt dabei auf eine Zusammenarbeit mit einem Modellanbieter und eigene Komponenten für Inferenz und Speicher.

Der Einsatz ist als hybrides System angelegt: Kernaufgaben von Eney sollen lokal laufen, während Cloud-Modelle für passende Aufgaben verfügbar bleiben. Die Quellen belegen eine angekündigte Entwicklungs- und Implementierungsinitiative; sie liefern noch keine unabhängigen oder quantifizierten Ergebnisse der neuen gemeinsamen Architektur.