
Foundation Models в iOS 26: разбор фреймворка для on-device LLM
O4ErtO 6 минут назад Foundation Models в iOS 26: разбор фреймворка для on-device LLM Простой 20 мин 212 iOS * Swift * Обзор Из песочницы Когда я готовился к внутреннему митапу по WWDC 2025 в нашей iOS-команде, нужно...
Anthropic — What company has the best second artificial intelligence model at the end of June?
В сфере искусственного интеллекта произошло заметное событие. O4ErtO 6 минут назад Foundation Models в iOS 26: разбор фреймворка для on-device LLM Простой 20 мин 212 iOS * Swift * Обзор Из песочницы Когда я готовился к внутреннему митапу по WWDC 2025 в нашей iOS-команде, нужно было сделать обзор сессий #360 (Discover ML & AI Frameworks) и #265 (Dive Deeper into Writing Tools). Доклад я уже провёл, но при подготовке набралось много заметок, которые в формат презентации не влезли: подводные камни, неочевидные решения, паттерны использования. Эта статья — попытка собрать всё это в одном месте.
Речь пойдёт о Foundation Models Framework: что это, как устроено внутри, как с этим работать в реальном приложении и где у этого фреймворка границы применимости. Я постарался не пересказывать документацию Apple, а сосредоточиться на тех моментах, которые не очевидны при первом знакомстве и о которых я бы хотел узнать раньше, чем начал писать первый прототип. Зачем вообще понадобился ещё один AI-фреймворкДо iOS 26 у iOS-разработчика, который хотел добавить интеллектуальные функции в приложение, было два рабочих пути.
Технические детали
Первый — использовать облачный API: OpenAI, Anthropic, Google, что-то ещё. Это работает, но накладывает ряд ограничений: каждый запрос стоит денег, требуется стабильное интернет-соединение, данные пользователя физически уходят на чужой сервер. Последнее особенно неприятно, если речь о приложениях с медицинскими, финансовыми или просто личными данными.
В Европе, например, это сразу же поднимает вопросы соответствия GDPR. Второй путь — взять готовую модель в формате Core ML и запустить её на устройстве. Здесь приватность не страдает, но появляются другие сложности: нужно подобрать или обучить модель под свою задачу, конвертировать её в Core ML, оптимизировать под Neural Engine, тестировать на разных устройствах с разной производительностью.
Для большинства команд без выделенного ML-инженера это слишком дорого. Foundation Models — третий путь, который закрывает обе проблемы сразу. Apple даёт прямой программный доступ к той же языковой модели, которая уже работает внутри системных AI-функций: Writing Tools, Smart Reply в Сообщениях, генерация Genmoji.
Отраслевые последствия
Раньше эта модель была закрыта; начиная с iOS 26 её можно использовать в своём приложении. Облачный AI vs On-device AIПринципиальное отличие от облачных API в том, что весь инференс происходит локально, на специализированном AI-чипе внутри устройства. Это меняет экономику фичи (нет цены за токен), её надёжность (работает в самолёте, в метро, в горах) и архитектуру (не нужно беспокоиться о retry-логике для сетевых ошибок).
Минимальный примерПрежде чем разбирать архитектуру, посмотрим на самый минимальный рабочий пример. Этот код реально работает в продакшне:import FoundationModels let session = LanguageModelSession() let response = try await session. respond(to: "Напиши changelog print(response.
content) Четыре содержательных строки. Никаких API-ключей, никакой инициализации сети, никакой подписки.
Этот прогресс даёт важные сигналы о будущем отрасли, и технологический мир внимательно наблюдает.





