Apple Intelligence: Welche KI läuft lokal – und wann übernimmt die Private Cloud?

Recherchierter Produktstand: 22. Juli 2026 · redaktionell geprüft: 15. August 2026. Die stabile Basis sind iOS 26, iPadOS 26 und macOS Tahoe 26. Apple hat auf der WWDC 2026 die nächste Generation für iOS 27, iPadOS 27 und macOS 27 angekündigt. Teile dieser 27er-Generation befinden sich in Entwickler- oder Public-Betas und sollen im Herbst 2026 allgemein erscheinen. Apple schreibt außerdem, dass die persönlicheren Siri-Funktionen noch in Entwicklung sind. ¹²

Apple Intelligence ist kein einzelnes lokales LLM und auch kein Synonym für Siri. Es handelt sich um eine Betriebssystemarchitektur aus mehreren spezialisierten Modellen, Systemdiensten, App-Schnittstellen, Sicherheitsmechanismen und optionalen externen Integrationen. Ein Teil der Verarbeitung findet direkt auf iPhone, iPad oder Mac statt. Komplexere Anfragen können an Private Cloud Compute (PCC) gesendet werden. Externe Dienste wie ChatGPT werden nur in dafür vorgesehenen Funktionen und unter Nutzerkontrolle angesprochen. ³⁴⁵

So sind die Angaben einzuordnen

• Offiziell bestätigt: durch Apple-, Plattform- oder Projekt-Dokumentation belegt.
• Preview/Beta: offiziell angekündigt, aber am 22. Juli 2026 noch nicht überall final ausgerollt.
• Aus der Architektur abgeleitet: nachvollziehbare Schlussfolgerung; nicht als interne Apple-Implementierung bestätigt.
• Nicht bekannt: Apple hat die konkrete Information nicht veröffentlicht.

Kompakte Zusammenfassung

• Apple Intelligence nutzt On-Device-Modelle, Private Cloud Compute und in bestimmten Oberflächen optionale Drittanbieter-Modelle. ³⁴⁵
• Apple dokumentierte 2025 ein ungefähr 3 Milliarden Parameter großes, stark quantisiertes On-Device-Sprachmodell. 2026 kündigte Apple mit AFM 3 Core dessen nächste Generation sowie das sparse, multimodale AFM 3 Core Advanced mit insgesamt 20 Milliarden Parametern und 1 bis 4 Milliarden aktivierten Parametern pro Anfrage an. ⁶⁷
• Das 2026 angekündigte Modell AFM 3 Core Advanced hält das vollständige Modell in NAND-Flash und lädt ausgewählte Experten in den Arbeitsspeicher. Diese Architektur ist nur für besonders leistungsfähige Apple-Silicon-Systeme vorgesehen. ⁶
• Komplexe Aufgaben werden nicht pauschal lokal ausgeführt. Apple kann sie über PCC an größere Servermodelle weiterleiten. Die genauen Routing-Schwellen sind nicht öffentlich. ⁴⁸
• Der offizielle Speicherbedarf für Apple Intelligence beträgt auf unterstützten iPhones, iPads und Macs derzeit 7 GB. Apple veröffentlicht jedoch keine vollständige Aufschlüsselung nach Modell, Funktion oder Chip. ¹
• Das Foundation Models Framework gibt Entwicklern einen nativen Swift-Zugriff auf Apples Systemmodell. Die 2026er Generation erweitert das Konzept um Bildverständnis, Modellabstraktion, PCC-Zugriff für berechtigte Entwickler, Dynamic Profiles, Evaluationswerkzeuge und Anbieterprotokolle. ⁹¹⁰¹¹
• MLX, Core ML und llama.cpp sind keine Bestandteile von Apple Intelligence. Sie ermöglichen Entwicklern und Nutzern jedoch eigene lokale Modelle auf Apple Silicon. ¹²¹³¹⁴

Was ist Apple Intelligence?

Apple beschreibt Apple Intelligence als ein in iOS, iPadOS, macOS, visionOS und teilweise watchOS integriertes „personal intelligence system“. Das System verbindet generative Modelle mit Betriebssystemkontext, App-Funktionen und persönlichen Daten, ohne daraus ein frei zugängliches Universalmodell zu machen. ³¹⁵

Die Architektur besteht vereinfacht aus fünf Ebenen:

1. Produktoberflächen: etwa Writing Tools, Mail-Zusammenfassungen, Benachrichtigungspriorisierung, Siri, Genmoji, Image Playground, Visual Intelligence und intelligente Aktionen in Kurzbefehlen.
2. System-Orchestrierung: Das Betriebssystem sammelt nur den für die Aufgabe benötigten Kontext, wählt Werkzeuge und entscheidet, ob eine lokale oder serverseitige Ausführung erforderlich ist.
3. Lokale Modelle: Sprach-, Bild-, Audio- und Klassifikationsmodelle laufen auf dem Gerät.
4. Private Cloud Compute: größere Apple-Modelle bearbeiten komplexere Aufgaben in einer speziell abgesicherten Cloud-Umgebung.
5. Externe Integrationen: beispielsweise ChatGPT, sofern der Nutzer die Weitergabe bestätigt oder die Integration entsprechend konfiguriert hat. ⁴⁵¹⁶

Diese Ebenen sind wichtig, weil die Formulierung „Apple Intelligence läuft lokal“ zu grob wäre. Viele Aufgaben können lokal laufen; Apple Intelligence als Gesamtsystem ist jedoch ausdrücklich hybrid.

Eigene schematische Darstellung nach Apples Dokumentation zu Apple Intelligence, Private Cloud Compute und der optionalen ChatGPT-Integration.

Was bedeutet „lokales LLM“ bei Apple?

Der Begriff wird häufig für drei unterschiedliche Dinge verwendet:

1. Apples internes On-Device-Systemmodell

Dieses Modell wird mit dem Betriebssystem bereitgestellt und von Apple Intelligence sowie dem Foundation Models Framework verwendet. Es ist kein separat herunterladbares Modell mit frei zugänglichen Gewichten. Apple kontrolliert Training, Kompression, Sicherheit, Systemintegration und Aktualisierung. ⁷⁹

2. Öffentlich dokumentierte Apple Foundation Models

Apple veröffentlicht technische Berichte mit Architektur- und Evaluierungsdetails, aber keine vollständigen Produktionsgewichte für die Apple-Intelligence-Modelle. Die Berichte dienen der Transparenz und Forschungseinordnung, nicht der direkten Selbstinstallation. ⁷¹⁷

3. Eigenständig installierte lokale Open-Source-LLMs

Modelle wie Llama-, Qwen-, Mistral- oder Gemma-Derivate können über MLX, llama.cpp, Core ML oder andere Laufzeitumgebungen lokal auf einem Mac ausgeführt werden. Diese Modelle sind vom Apple-Intelligence-Routing, von Siri und von PCC getrennt. Sie können größere Kontextfenster, frei wählbare Systemprompts oder eigene RAG-Pipelines bieten, haben aber keinen automatischen Zugriff auf Apples private Systemkontexte. ¹³¹⁴

On-Device-Modelle und technische Architektur

Apples dokumentiertes On-Device-Modell von 2025

Apples technischer Bericht von 2025 beschreibt ein mehrsprachiges und multimodales On-Device-Sprachmodell mit ungefähr 3 Milliarden Parametern. Apple optimierte es für Apple Silicon und verwendete unter anderem Quantization-Aware Training. Die Hauptgewichte wurden mit ungefähr 2 Bit pro Gewicht komprimiert, die Embedding-Tabelle mit 4 Bit und der KV-Cache mit 8 Bit. ⁷

Der Bericht beschreibt außerdem KV-Cache-Sharing zwischen Modellblöcken. Dadurch sank in Apples Architektur die KV-Cache-Speichernutzung um 37,5 Prozent; Apple berichtet für die untersuchte Konfiguration auch eine ähnlich große Reduktion der Zeit bis zum ersten Token. Diese Werte sind Architekturwerte aus Apples Bericht, keine allgemeingültigen Endnutzer-Benchmarks für jedes Gerät. ⁷

Für Bildverständnis nutzte die On-Device-Familie 2025 einen ViTDet-L-basierten Encoder mit ungefähr 300 Millionen Parametern. Der Serverpfad verwendete einen größeren Bildencoder. ⁷

Die dritte Generation von 2026

Am 8. Juni 2026 stellte Apple eine Familie aus fünf Modellen vor: ⁶

Modell	Ausführungsort	Offiziell beschriebene Rolle	Status am 22.07.2026
AFM 3 Core	Gerät	nächste Generation des dichten 3B-On-Device-Modells	Preview/Beta der 27er Plattformgeneration
AFM 3 Core Advanced	Gerät	multimodales sparse Modell; 20B gesamt, 1–4B aktiv	nur auf besonders leistungsfähigen Apple-Silicon-Systemen vorgesehen
AFM 3 Cloud	PCC	schnelles, effizientes Server-Arbeitsmodell	Preview/Beta
ADM 3 Cloud (Image)	PCC	Bildgenerierung, Bildbearbeitung und Genmoji	Preview/Beta
AFM 3 Cloud Pro	erweitertes PCC	komplexes Reasoning und agentische Werkzeugnutzung	schrittweiser Preview-Ausbau

AFM 3 Core Advanced adressiert eine zentrale Einschränkung lokaler Inferenz: Apple speichert die vollständige Menge an Experten im NAND-Flash. Ein kleiner dichter Routing-Block wählt während der anfänglichen Prompt-Verarbeitung eine feste Expertengruppe aus und wählt sie während der Generierung regelmäßig neu. Gemeinsam genutzte Experten bleiben aktiv, während geroutete Experten nur bei Bedarf in den Arbeitsspeicher geladen werden. ⁶

Das bedeutet nicht, dass NAND wie normaler RAM verwendet wird. Apple vermeidet gerade das für Token-für-Token-Mixture-of-Experts typische ständige Nachladen. Die Auswahl erfolgt promptweise beziehungsweise periodisch. Dadurch kann das Modell größer sein als der gleichzeitig aktive Parametersatz.

Was Apple nicht veröffentlicht

Apple nennt für die Produktionsmodelle keine vollständige, dauerhaft gültige Liste zu:

• Kontextfenster des allgemeinen On-Device-Systemmodells,
• exakter Modellgröße auf dem Datenträger,
• RAM-Belegung je Funktion,
• Token-pro-Sekunde-Werten je Chip,
• genauer Aufteilung einzelner Operatoren auf CPU, GPU und Neural Engine,
• vollständigen Routing-Regeln zwischen Gerät, PCC und externen Modellen.

Für den 2026 angekündigten PCC-Entwicklerzugriff nennt Apple in einer WWDC-Session einen Kontext von 32K Tokens. Das darf nicht automatisch auf jedes Apple-Intelligence-Systemmodell oder jede Endnutzerfunktion übertragen werden. ¹¹

Welche Geräte und Chips werden unterstützt?

Stabiler Apple-Intelligence-Support

Apple nennt zum Stand 7. Juli 2026 folgende Grundanforderungen: ¹

Produktklasse	Unterstützte Geräte/Chips	Mindestsoftware	Zusätzliche Anforderung
iPhone	iPhone 15 Pro/Pro Max; iPhone 16 oder neuer	iOS 18.1 oder neuer	7 GB freier Gerätespeicher; passende Geräte- und Siri-Sprache
iPad	iPad mini mit A17 Pro; iPads mit M1 oder neuer	iPadOS 18.1 oder neuer	7 GB Speicher
Mac	Mac mit Apple Silicon	macOS Sequoia 15.1 oder neuer	7 GB Speicher
Apple Vision Pro	unterstützte Vision-Pro-Modelle	visionOS 2.4 oder neuer	regionale und sprachliche Verfügbarkeit beachten
Apple Watch	Series 6+, alle Ultra, SE 2+	watchOS 11 oder neuer	gekoppeltes Apple-Intelligence-fähiges iPhone in der Nähe; Verarbeitung kann auf dem iPhone erfolgen

Der Eintrag für die Apple Watch bedeutet nicht, dass dieselben Foundation Models vollständig auf der Uhr laufen. Apple nennt ausdrücklich das gekoppelte, kompatible iPhone als Voraussetzung. ¹

Zusätzliche Anforderungen der 2026 angekündigten Funktionen

Einige Funktionen der iOS-27-/macOS-27-Generation benötigen leistungsfähigere Geräte. Apple nennt für bestimmte neue Siri-Stimmen und verbesserte Diktierfunktionen unter anderem iPhone 17 Pro/Pro Max oder iPhone Air, iPads mit M4 und mindestens 12 GB Unified Memory sowie Macs mit M3 und mindestens 12 GB Unified Memory. Diese Fußnoten gelten für die jeweils genannten Funktionen, nicht als neue allgemeine Mindestanforderung für Apple Intelligence. ²

Unterstützung bedeutet hier nicht, dass jedes Modell auf jedem Gerät lokal ausgeführt wird. Modellgröße, Speicherbandbreite, verfügbarer Unified Memory, Energiegrenzen und thermisches Budget beeinflussen, welcher lokale Modellpfad verwendet werden kann. Die genaue Gerätezuteilung pro Modell veröffentlicht Apple jedoch nur funktionsbezogen.

Eigene Darstellung nach den offiziellen Apple-Supportangaben. Allgemeiner Support und Advanced-Funktionen haben unterschiedliche Hardwaregrenzen.

Welche Funktionen laufen lokal – und welche nicht?

Apple veröffentlicht keine vollständige, unveränderliche Feature-zu-Modell-Matrix. Ein und dieselbe Oberfläche kann je nach Anfrage, Gerät, Sprache und Softwareversion unterschiedliche Pfade verwenden. Die folgende Tabelle ist deshalb bewusst konservativ.

Funktion oder Pfad	Lokale Verarbeitung	PCC möglich/erforderlich	Externer Dienst möglich	Belastbare Einordnung
Foundation Models Framework mit System-On-Device-Modell	ja	nein für diesen expliziten Modellpfad	nein	Apple beschreibt das Modell als offline und im Betriebssystem eingebettet. 9
Lokale Textzusammenfassung, Extraktion und Umformulierung über das Framework	ja	nur bei explizit anderem Modellpfad	über Anbieterprotokoll möglich	Framework-Aufgabe und gewähltes Modell sind entscheidend. 91011
Writing Tools in System-Apps	häufig	ja, abhängig von Aufgabe	ChatGPT bei „Compose“/entsprechender Auswahl	Keine universelle lokale Garantie für jede Anfrage. 15
Mail-, Nachrichten- und Benachrichtigungszusammenfassungen	möglich	möglich	normalerweise nicht erforderlich	Apple nennt die Funktion, aber keine öffentliche per-Feature-Routingmatrix. 13
Siri	teilweise	ja für komplexe Anfragen	ChatGPT mit Zustimmung/konfigurierter Integration	Siri ist Orchestrator und Oberfläche, nicht ein einzelnes Modell. 25
Live Translation	Apple beschreibt wesentliche Pfade als on-device	je nach künftiger Implementierung nicht pauschal auszuschließen	nein im Normalfall	Offline-/Datenschutzvorteile sind offiziell hervorgehoben; genaue Modellkette variiert. 18
Genmoji	modellabhängig	2026 kann ADM 3 Cloud Genmoji unterstützen	nicht regulär	Nicht pauschal als vollständig lokal einordnen. 6
Image Playground	ältere/leichtere Stile können lokale Komponenten verwenden	neue hochwertige und fotorealistische 2026er Ausgabe läuft serverseitig über PCC	ChatGPT-Bildgenerierung kann separat auswählbar sein	Version und Stil müssen genannt werden. 610
Verbesserte Diktierfunktion 2026	auf unterstützten High-End-Geräten lokal	nicht für den offiziell genannten On-Device-Pfad	nein	Apple beschreibt AFM 3 Core Advanced als On-Device-Modell. 26
Visual Intelligence	lokale Vorverarbeitung möglich	Apple-Serverpfade möglich	ChatGPT und Google-Suche können bewusst aufgerufen werden	Die ausgewählte Aktion bestimmt den Datenfluss. 1
Kurzbefehle: „Use Model“	Nutzer kann On-Device, PCC oder ChatGPT wählen	ja	ja	Einer der transparentesten, explizit wählbaren Modellpfade. 19

Warum lässt sich keine endgültige Liste erstellen?

Apple Intelligence ist ein aufgabenorientiertes System. „Zusammenfassen“ kann ein kurzer lokaler Textjob sein, ein längerer multimodaler Kontext oder Bestandteil einer agentischen Anfrage. Die Oberfläche allein verrät daher nicht zuverlässig, welches Modell verwendet wurde. Außerdem kann Apple Modelle durch Betriebssystemupdates austauschen, ohne die Funktion umzubenennen.

Für eine technisch saubere Dokumentation sollte deshalb nicht nur die Funktion, sondern auch Folgendes angegeben werden:

• Betriebssystemversion,
• Gerät und Chip,
• Sprache und Region,
• ausgewählter Modellpfad, sofern sichtbar,
• Netzwerkabhängigkeit des konkreten Tests,
• verwendete App oder API.

Vereinfachter Datenfluss nach Apples PCC-Architektur; nur aufgabenrelevanter Kontext soll in den gewählten Ausführungspfad gelangen.

Wie entscheidet Apple zwischen Gerät und Private Cloud Compute?

Apple beschreibt das Grundprinzip: Anfragen werden möglichst auf dem Gerät bearbeitet; wenn ein größeres Modell für eine komplexere Aufgabe benötigt wird, kann das System PCC verwenden. ⁴¹⁵

Der genaue Dispatcher ist nicht öffentlich. Folgende Faktoren sind technisch plausibel, aber nicht als vollständige interne Entscheidungslogik bestätigt:

• benötigte Modellfähigkeit und Modalität,
• Länge und Komplexität des Kontexts,
• auf dem Gerät verfügbare Modellvariante,
• Speicher- und Energiezustand,
• unterstützte Sprache,
• Sicherheits- und Richtlinienanforderungen,
• explizite Nutzerwahl, etwa in Kurzbefehlen oder bei ChatGPT.

Vor einem PCC-Aufruf kann das Gerät laut Apples Architektur prüfen, ob die Zielsoftware öffentlich attestiert und für den betreffenden Dienst zugelassen ist. Die Anfrage wird an die attestierte Umgebung verschlüsselt. Netzwerkrelay-Mechanismen sollen verhindern, dass der PCC-Dienst die IP-Adresse direkt mit der Anfrage verknüpft. ⁴

Schematischer Routingweg nach Apple-Dokumentation; Apples genaue interne Schwellen sind nicht öffentlich.

Private Cloud Compute: Apples abgesicherter Serverpfad

Private Cloud Compute soll die Privatsphäre-Eigenschaften lokaler Verarbeitung so weit wie möglich auf größere Servermodelle übertragen. Apple formuliert fünf zentrale Anforderungen: ⁴

1. Stateless processing: Nutzerdaten dürfen nach der Bearbeitung nicht gespeichert werden.
2. Enforceable guarantees: Datenschutz darf nicht nur von organisatorischen Regeln abhängen, sondern muss technisch erzwungen werden.
3. No privileged runtime access: Auch Administratoren sollen keinen privilegierten Zugriff auf Nutzerdaten im laufenden System besitzen.
4. Non-targetability: Ein Angreifer soll keinen einzelnen Nutzer gezielt auf einen präparierten Knoten lenken können.
5. Verifiable transparency: Externe Forscher sollen die eingesetzte Software nachvollziehen und prüfen können.

PCC in Apples eigenen Rechenzentren

Die 2024 vorgestellten PCC-Knoten basieren auf Apple Silicon, Secure Enclave, Secure Boot und einem gehärteten Betriebssystem-Subset. Apple beschreibt eine minimale Softwareoberfläche ohne allgemeine Remote-Shells und ohne klassische produktionsseitige Protokollierung sensibler Anfrageinhalte. Produktionssoftware wird veröffentlicht beziehungsweise kryptografisch in Transparenzmechanismen eingebunden, damit Geräte nur attestierte Builds akzeptieren. ⁴

PCC-Erweiterung auf Google Cloud und NVIDIA-GPUs

2026 kündigte Apple an, PCC für besonders anspruchsvolle Aufgaben auf NVIDIA-GPUs in Google Cloud zu erweitern. Apple nennt unter anderem NVIDIA Confidential Computing, Intel TDX, Google Titan, unabhängige Vertrauensanker, attestierte Schlüssel und ein append-only Ledger. Der Ausbau erfolgte zum Recherchezeitpunkt schrittweise während der Sommer-Preview. ⁸

Das ist eine wichtige Änderung: „Private Cloud Compute“ bedeutet ab 2026 nicht mehr ausschließlich Apple-Silicon-Server in Apple-Rechenzentren. Apple behauptet jedoch, die gleichen Grundgarantien durch eine angepasste Vertrauenskette und öffentlich prüfbare Software aufrechtzuerhalten. Diese Aussage ist Apples offizielle Sicherheitsposition; ihre praktische Robustheit muss wie jede neue vertrauliche Cloud-Architektur fortlaufend extern geprüft werden.

Eigene schematische Darstellung nach Apple Security Research: verschlüsselte Anfragen, attestierte Software und zustandslose Verarbeitung.

Datenschutz: lokal, PCC und ChatGPT sind drei verschiedene Vertrauensmodelle

Pfad	Wo wird verarbeitet?	Wer kontrolliert das Modell?	Datenspeicherung laut Anbieter	Nutzerkontrolle
On-device	auf iPhone, iPad oder Mac	Apple/Systemmodell oder gewähltes lokales Modell	Daten müssen das Gerät für die Inferenz nicht verlassen	Modellpfad teils implizit, im Framework explizit
Private Cloud Compute	attestierte Apple-PCC-Umgebung; 2026 teils erweiterte Google-Cloud-Infrastruktur	Apple	Anfrageinhalte sollen nach Antwort nicht gespeichert werden	Systemrouting oder explizite PCC-Auswahl
ChatGPT-Integration ohne Konto	OpenAI-Infrastruktur	OpenAI	Apple/OpenAI nennen IP-Verschleierung und keine Speicherung der Anfrage für diesen Integrationspfad	Bestätigung vor Übermittlung; Dateien/Fotos erfordern Zustimmung
ChatGPT mit angemeldetem Konto	OpenAI-Infrastruktur	OpenAI	Kontoeinstellungen und OpenAI-Richtlinien gelten	Nutzer meldet sich bewusst an
Eigenes lokales MLX/llama.cpp-Modell	eigener Mac	Nutzer/Modellanbieter	vollständig lokal, sofern App keine Telemetrie oder externen Tools nutzt	vollständig durch Nutzer konfigurierbar

Apple weist darauf hin, dass bei ChatGPT vor dem Senden von Fotos oder Dateien eine Bestätigung verlangt wird. Die Integration kann ohne ChatGPT-Konto genutzt werden; bei einer Kontoanmeldung gelten die jeweiligen Kontoeinstellungen und OpenAI-Bedingungen. ⁵¹⁶

Wichtig: „Lokal“ garantiert nicht automatisch vollständige Privatsphäre. Eine lokale Drittanbieter-App kann Telemetrie senden, Modellprompts protokollieren oder externe Werkzeuge aufrufen. Umgekehrt ist PCC zwar Cloud-Verarbeitung, aber mit einem deutlich anderen Sicherheitsmodell als eine gewöhnliche API-Anfrage an einen allgemeinen Cloud-LLM-Anbieter.

Vergleich der drei Vertrauensmodelle nach Apple- und OpenAI-Dokumentation.

Neural Engine, CPU, GPU und Unified Memory

Apple Silicon kombiniert mehrere Recheneinheiten in einem System-on-a-Chip. Ihre Rollen lassen sich funktional erklären, ohne eine nicht veröffentlichte interne Zuordnung zu erfinden.

Komponente	Typische Stärke	Offiziell dokumentierte Plattformrolle	Einschränkung der Aussage
CPU	Kontrollfluss, Tokenisierung, kleine Operatoren, App- und Systemlogik	Core ML/Core AI können CPU-Ausführung nutzen	Apple veröffentlicht keine vollständige Operatorliste der Apple-Intelligence-Modelle
GPU	stark parallele Matrixoperationen, große lokale LLMs, Bildmodelle	Metal, MLX und Core ML können GPU-Rechenleistung verwenden	tatsächliche Aufteilung hängt von Runtime und Modell ab
Neural Engine	energieeffiziente ML-Operatoren	Core ML und Core AI können die Neural Engine nutzen	nicht jede LLM-Operation oder jedes Framework läuft automatisch auf der ANE
Unified Memory	gemeinsamer Speicher für CPU/GPU und weitere Einheiten	MLX nutzt das Unified-Memory-Modell explizit	„gemeinsam“ bedeutet nicht unbegrenzt; Speicherbandbreite und Kapazität bleiben Grenzen
NAND-Flash	persistente Modellspeicherung	AFM 3 Core Advanced speichert laut Apple vollständige Expertengewichte in NAND	Flash ersetzt DRAM nicht; nur ausgewählte Experten werden aktiv geladen

Core ML kann Modelle über CPU, GPU und Neural Engine verteilen und ist auf geringe Speicher- und Energiebelastung ausgelegt. Das 2026 eingeführte Core AI erweitert die Plattform für generative und foundation-model-basierte Workloads. MLX nutzt Apples Unified-Memory-Architektur, sodass Arrays nicht manuell zwischen CPU- und GPU-Speicher kopiert werden müssen. ^12201321

Eigene Schichtenansicht der dokumentierten Software- und Hardwarebausteine; Apples genaue interne Scheduling-Logik ist nicht öffentlich.

Wie läuft ein lokales Sprachmodell auf Apple Silicon ab?

Vereinfacht umfasst eine Textanfrage:

1. Tokenisierung des Eingabetextes.
2. Laden beziehungsweise Aktivieren der benötigten Gewichte.
3. Prefill: Verarbeitung des gesamten Prompt-Kontexts.
4. Aufbau des KV-Caches für bereits verarbeitete Tokens.
5. autoregressive Generierung eines Tokens nach dem anderen.
6. Detokenisierung, Sicherheitsprüfung und Übergabe an die App.

Bei AFM 3 Core Advanced kommt davor die Expertenauswahl hinzu. Die vollständigen Expertengewichte liegen im Flash; ausgewählte Experten werden zu einem für den Prompt passenden aktiven Modell im DRAM zusammengesetzt. ⁶

Foundation Models Framework für Entwickler

Das Foundation Models Framework ist Apples offizielle API, um das Systemmodell in Apps zu verwenden. In der 2025er Generation stellte Apple einen nativen Swift-Zugriff auf ein ungefähr 3B großes, im Betriebssystem enthaltenes On-Device-Modell bereit. Anwendungen müssen keine Modellgewichte bündeln; das Modell arbeitet offline und profitiert von Apples Systemintegration. ⁹

Typische Stärken des Modells sind laut Apple:

• Zusammenfassung,
• Extraktion strukturierter Informationen,
• Textverständnis,
• Umformulierung und Verfeinerung,
• kurze Dialoge,
• kreative Kurztexte,
• tool-gestützte, app-spezifische Aufgaben. ⁷⁹

Apple warnt indirekt vor einer falschen Erwartung: Das On-Device-Modell ist nicht als universeller Chatbot für umfassendes Weltwissen gedacht. Entwickler sollten Aufgaben eingrenzen, eigenes Domänenwissen über Tools bereitstellen und strukturierte Ausgaben nutzen. ⁷

Wichtige Framework-Konzepte

• LanguageModelSession: verwaltet Gesprächszustand und Modellinteraktion.
• Guided Generation: erzeugt Swift-Strukturen anhand von Schemas statt unzuverlässigem Freitext-Parsing.
• Tool Calling: das Modell kann kontrolliert App-Funktionen aufrufen.
• Streaming: Zwischenergebnisse werden als sich vervollständigende Snapshots geliefert.
• Availability und Guardrails: Apps können prüfen, ob Modell und Sprache verfügbar sind.
• Adapters: spezialisierte LoRA-Adapter sind möglich, aber versionsgebunden und speicherrelevant. ⁷⁹

Erweiterungen der 2026er Plattformgeneration

Apple kündigte für die WWDC-26-Generation unter anderem an: ^10112223

• Bild- plus Texteingaben für das On-Device-Systemmodell,
• ein allgemeineres LanguageModel-/Executor-Protokoll,
• Anbindung eigener lokaler oder serverbasierter Modelle,
• geplante Swift-Pakete beziehungsweise Integrationen von Anbietern wie Anthropic und Google,
• Dynamic Profiles zur Laufzeitanpassung,
• Evaluationswerkzeuge,
• einen fm-CLI und ein Python-SDK auf macOS 27,
• Zugriff auf ein PCC-Modell für berechtigte Entwickler mit Quoten und Nutzungsgrenzen.

Damit wird das Framework von einer einzelnen On-Device-API zu einer einheitlicheren Modellabstraktion. Trotzdem bleiben die Vertrauensmodelle verschieden: Ein Aufruf des lokalen Systemmodells ist nicht gleichbedeutend mit einem PCC- oder Drittanbieteraufruf. Apps müssen dies in Benutzeroberfläche und Datenschutzinformationen klar machen.

Schematische Darstellung nach Apples WWDC-26-Dokumentation zum Foundation Models Framework.

Core ML, Core AI, MLX, llama.cpp und Foundation Models Framework im Vergleich

Technologie	Hauptzweck	Modellquelle	Typische Hardware	Offline möglich	Apple-Intelligence-Integration
Foundation Models Framework	Apple-Systemmodell und einheitliche Modell-API	Apple-Systemmodell; 2026 auch PCC/Provider	systemverwaltet	ja für On-Device-Pfad	direkt
Core ML	Deployment konvertierter ML-Modelle in Apple-Apps	Entwickler	CPU, GPU, Neural Engine	ja	indirekt; allgemeines ML-Framework
Core AI	generative KI und moderne Modellpipelines auf Apple-Plattformen	Entwickler/Plattform	CPU, GPU, Neural Engine	ja, modellabhängig	ergänzt System- und Entwicklerpfade
MLX	Forschung und lokale Modellinferenz auf Apple Silicon	Community oder selbst trainiert	primär CPU/GPU mit Unified Memory	ja	getrennt von Apple Intelligence
llama.cpp	portable lokale Inferenz quantisierter LLMs	Community	CPU/GPU; Metal auf Mac	ja	getrennt

Wann eignet sich welches Werkzeug?

• Foundation Models Framework: wenn eine App kleine bis mittlere, private, app-spezifische Sprachaufgaben ohne eigenen Modelldownload lösen soll.
• Core ML: wenn ein Modell kontrolliert in eine App eingebettet, konvertiert und über Apples Compute Units optimiert werden soll; die Konvertierung läuft typischerweise über Core ML Tools.²⁴
• Core AI: wenn eine moderne generative Pipeline mit Apple-nativen Komponenten und breiter Hardwareabstraktion gebaut wird.
• MLX: für Python-nahe Forschung, Fine-Tuning, Evaluation und flexible lokale LLM-Experimente auf Apple Silicon.
• llama.cpp: für portable, stark quantisierte GGUF-Modelle, CLI-Server und breite Community-Kompatibilität.

Apple Intelligence versus klassisches lokales LLM

Kriterium	Apple Intelligence	Eigenes lokales LLM auf dem Mac
Installation	Modell wird systemseitig verwaltet	Nutzer lädt Runtime und Gewichte
Systemkontext	tiefe OS- und App-Integration unter Apples Regeln	nur über explizit erteilte App-/Dateizugriffe
Modellauswahl	weitgehend durch Apple; teils explizit wählbar	frei wählbar
Anpassung	Prompting, Tools, strukturierte Ausgabe, begrenzte Adapter	LoRA, Fine-Tuning, RAG, Sampling und Systemprompt frei
Offline	viele Pfade ja	ja, sofern keine Cloud-Tools verwendet werden
Cloud-Fallback	PCC oder optionale externe Integration	nur wenn selbst eingerichtet
Transparenz	technische Berichte, aber keine offenen Produktionsgewichte	abhängig von Modellkarte und Lizenz
Wartung	Betriebssystemupdates	Nutzer verwaltet Modelle und Kompatibilität

Apple Intelligence ist auf geringe Reibung und Systemintegration ausgerichtet. Ein selbst betriebenes Modell ist dagegen auf Kontrolle, Reproduzierbarkeit, Modellauswahl und experimentelle Workflows ausgerichtet.

Vergleich mit Google, Microsoft und Samsung

Der Vergleich sollte nicht auf einzelne Marketingnamen reduziert werden. Alle großen Plattformanbieter kombinieren inzwischen lokale und serverseitige KI, setzen aber andere Schwerpunkte.

Plattform	Lokaler Kern	Cloud-/Hybridpfad	Entwicklerzugriff	Besonderheit
Apple	Apple Foundation Models im OS; Core ML/Core AI	Private Cloud Compute; optionale Partner	Foundation Models Framework, Core ML, Core AI, MLX	PCC mit attestierter Infrastruktur und tiefem OS-Kontext
Google/Android	Gemini Nano über AICore; ML Kit GenAI	Gemini-Cloudmodelle und App-Dienste	ML Kit GenAI, LiteRT/LiteRT-LM, Gemini APIs	AICore verwaltet On-Device-Modell und Updates auf unterstützten Geräten
Microsoft/Windows	lokale Modelle und Windows-AI-Komponenten auf Copilot+ PCs	Copilot und Azure-Dienste	Windows AI APIs, ONNX Runtime, DirectML	NPU-zentrierte Copilot+-Klasse mit über 40 TOPS als Plattformanforderung
Samsung Galaxy AI	Mischung aus On-Device-Funktionen und Cloud-Diensten	Samsung-/Partner-Cloud	überwiegend Geräte- und Android-Ökosystem	Einstellungen können für bestimmte Funktionen lokale Verarbeitung priorisieren

Google dokumentiert Gemini Nano als Systemdienst über AICore und bietet aufgabenorientierte ML-Kit-GenAI-APIs. Microsoft positioniert Copilot+ PCs als NPU-Plattform und kombiniert lokale Windows-AI-Komponenten mit Cloud-Copilot. Samsung kennzeichnet bei Galaxy AI lokale und cloudbasierte Funktionen und bietet auf unterstützten Geräten eine Option, Daten nur auf dem Gerät zu verarbeiten, wobei dadurch einzelne Funktionen eingeschränkt werden können. ^252627282930

Ein pauschales „privater“ oder „schneller“ ist ohne konkrete Aufgabe, Gerät und Softwareversion nicht belastbar. Apple hebt sich vor allem durch die detailliert beschriebene PCC-Vertrauenskette und die Integration des Systemmodells in native App-APIs ab.

Leistung, Speicherbedarf, Geschwindigkeit und Energieverbrauch

Was offiziell bekannt ist

• Apple Intelligence benötigt 7 GB Gerätespeicher auf kompatiblen iPhones, iPads und Macs. ¹
• Das 2025er On-Device-Modell nutzt starke Quantisierung und KV-Cache-Optimierung. ⁷
• AFM 3 Core Advanced speichert vollständige Gewichte in NAND und aktiviert nur 1 bis 4 Milliarden Parameter pro Anfrage. ⁶
• Bestimmte 2026er Advanced-Funktionen verlangen mindestens 12 GB Unified Memory auf ausgewählten iPads und Macs. ²

Was nicht seriös pauschalisiert werden kann

Apple veröffentlicht keine verlässliche Tabelle „Chip X = Y Tokens pro Sekunde“ für das Systemmodell. Solche Messungen wären ohnehin abhängig von Promptlänge, Temperatur, Speicherzustand, Modellversion, Ausgabeformat, Tool Calling und Systemlast.

Auch die 7 GB dürfen nicht als reine Modellgröße interpretiert werden. Der Wert kann mehrere Sprach-, Bild-, Audio- und Hilfsmodelle sowie Ressourcen umfassen. Ebenso wäre es falsch, aus Parameterzahl und Quantisierungsbitbreite direkt einen exakten Download- oder RAM-Wert abzuleiten: Metadaten, Embeddings, Adapter, KV-Cache, temporäre Aktivierungen und Runtime-Overhead kommen hinzu.

Auswirkungen der Chipgeneration

Neuere Chips können Vorteile durch höhere Speicherbandbreite, mehr GPU-/Neural-Engine-Leistung, effizientere Speicherhierarchien und größere unterstützte Unified-Memory-Konfigurationen bieten. Apple koppelt konkrete Advanced-Funktionen jedoch an ausgewählte Gerätegruppen, nicht an eine öffentlich dokumentierte allgemeine Formel. Ein M1-Mac bleibt Apple-Intelligence-fähig, kann aber nicht automatisch alle lokalen Advanced-Pfade der 2026er Generation ausführen. ¹²

Typische Einsatzbereiche

Gute On-Device-Aufgaben

• kurze Zusammenfassungen privater Texte,
• Extraktion von Terminen oder strukturierten Feldern,
• Umformulierung und Stilkorrektur,
• Klassifikation und Priorisierung,
• app-spezifisches Tool Calling,
• kleine dialogische Assistenten mit begrenztem Kontext,
• lokale Sprach- und Audioverarbeitung auf unterstützten Geräten.

Aufgaben, die eher größere Modelle benötigen

• komplexes mehrstufiges Reasoning,
• sehr lange oder multimodale Kontexte,
• umfangreiche agentische Werkzeugketten,
• hochwertige oder fotorealistische Bildgenerierung,
• Aufgaben, die aktuelles externes Wissen oder Webzugriff erfordern.

Das ist keine starre Grenze. Ein gut eingegrenztes lokales Modell kann eine spezialisierte Aufgabe besser lösen als ein größeres allgemeines Cloud-Modell. Umgekehrt macht tiefe Betriebssystemintegration ein kleines Modell nicht automatisch faktisch zuverlässig.

Vorteile und Grenzen

Vorteile

• geringe Latenz bei lokalen Aufgaben,
• Offline-Fähigkeit,
• weniger Datenübertragung,
• tiefe Integration in Apps und Betriebssystem,
• systemseitig verwaltete Modelle ohne große App-Bundles,
• einheitliche Swift-APIs und strukturierte Ausgabe,
• PCC als stärker formalisiertes Cloud-Datenschutzmodell.

Grenzen

• Geräte- und Sprachfragmentierung,
• keine offenen Produktionsgewichte,
• begrenztes Weltwissen des kleinen On-Device-Modells,
• unvollständige Transparenz beim automatischen Routing,
• einzelne Funktionen benötigen Netzwerk oder neuere Hardware,
• Modell- und Adapterverhalten kann sich mit OS-Versionen ändern,
• externe Integrationen haben ein anderes Datenschutzmodell,
• Apples eigene Evaluationen sind nicht identisch mit unabhängigen Benchmarks.

Entwicklungsstand zum 22. Juli 2026

Der stabile, breit dokumentierte Funktionsumfang basiert auf iOS 26, iPadOS 26 und macOS Tahoe 26. Die 27er Plattformgeneration erweitert Apple Intelligence um die dritte Modellgeneration, eine neue Siri-Architektur, stärkere lokale Audiofunktionen, neue PCC-Modelle, ein leistungsfähigeres Image Playground sowie umfassendere Entwickler-APIs. ¹²⁶¹⁰

Dabei gelten drei Vorbehalte:

1. Die finalen 27er Betriebssystemversionen waren am 22. Juli 2026 noch nicht allgemein veröffentlicht.
2. Apple kündigte einen ausführlicheren technischen Bericht zur dritten Modellgeneration erst für später im Sommer 2026 an. ⁶
3. Die erweiterte PCC-Infrastruktur auf Google Cloud wurde während der Sommer-Preview schrittweise hochgefahren. ⁸

Aussagen zu endgültiger Performance, Geräteabdeckung und Routingverhalten der 27er Generation sollten daher nach dem finalen Release erneut geprüft werden.

Zukunft: Warum lokale KI auf Apple-Geräten wichtiger wird

Apples 2026er Architektur zeigt drei Richtungen:

• größere lokale Modelle ohne vollständige DRAM-Residentheit: promptbasierte Expertenauswahl verbindet Flash-Speicherung mit einem kleineren aktiven Arbeitsspeicher-Footprint;
• einheitlichere Entwicklerabstraktion: lokale Apple-Modelle, PCC und Drittanbieter können hinter kompatiblen Protokollen angesprochen werden;
• mehr vertrauliche Cloud-Rechenleistung: PCC wird auf heterogene Hardware und Drittanbieter-Rechenzentren erweitert.

Die strategische Grenze verläuft daher künftig nicht mehr einfach zwischen „lokal“ und „Cloud“. Entscheidend wird, welche Daten unter welchem überprüfbaren Vertrauensmodell zu welchem Modell gelangen. Für Nutzer ist Transparenz über den aktiven Pfad zentral. Für Entwickler werden Evaluation, Fallback-Design, Datenminimierung und klare UI-Kennzeichnung wichtiger als die bloße Wahl eines Modellnamens.

Fazit: Hybrid aus On-Device-Modellen und Private Cloud Compute

Apple Intelligence ist eine hybride KI-Architektur, kein einzelnes lokales LLM. Das Betriebssystem kombiniert kleine und zunehmend größere On-Device-Modelle mit Private Cloud Compute und optionalen externen Diensten. Apples technische Entwicklung von einem quantisierten 3B-Modell hin zu AFM 3 Core Advanced zeigt, wie lokale KI durch sparse Expertensysteme, NAND-Speicherung und hardwareabhängige Aktivierung skaliert werden kann. ⁶⁷

Für Nutzer lautet die entscheidende Frage nicht nur: „Ist die Funktion lokal?“ Präziser ist: Welches Modell verarbeitet welche Daten, auf welchem Gerät oder Server, mit welchen Speicher- und Kontrollregeln? Apples Frameworks und PCC liefern dafür eine ungewöhnlich detaillierte technische Grundlage, aber die konkrete Feature-Routingmatrix, exakte Speicherwerte und reale Performance pro Gerät bleiben teilweise undokumentiert.

Quellenverzeichnis

Der Produktstatus entspricht dem Stand vom 22. Juli 2026. Architekturangaben und Bildunterschriften wurden am 15. August 2026 anhand der verknüpften Apple-Dokumentation geprüft.

Was offen bleibt

• Die exakten automatischen Routing-Schwellen zwischen On-Device, PCC und externen Diensten sind nicht veröffentlicht.
• Apple veröffentlicht keine vollständige Funktionsmatrix, die jede Oberfläche dauerhaft einem konkreten Modell zuordnet.
• Exakte RAM-Belegung, Downloadgröße und Tokens pro Sekunde der Produktionsmodelle je Gerät sind nicht öffentlich.
• Die vollständige Operatorverteilung interner Modelle auf CPU, GPU und Neural Engine ist nicht dokumentiert.
• Der 32K-Kontext aus einer WWDC-2026-Session betrifft den dort beschriebenen PCC-Entwicklerpfad und wurde nicht auf alle Systemmodelle übertragen.
• Langfristige Verfügbarkeit und finale Performance der iOS-27-/macOS-27-Funktionen können sich bis zum finalen Release ändern.
• Aussagen zu thermischen und energetischen Vorteilen einzelner Chips wurden nicht quantifiziert, weil Apple keine vergleichbare offizielle Messreihe veröffentlicht hat.
• Es wurden keine Gerüchte über unveröffentlichte Chips, Modellgrößen oder Termine verwendet.

Footnotes

1. How to get Apple Intelligence. Apple Support, veröffentlicht 7. Juli 2026. Support-Dokumentation. Belegt Geräte, Mindestsoftware, 7-GB-Speicheranforderung, Sprachen, Regionen und stabilen Funktionsumfang. https://support.apple.com/en-us/121115 ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰

2. Apple Intelligence and Siri. Apple, laufend aktualisierte Produktseite, Stand Juli 2026. Produkt-/Verfügbarkeitsdokumentation. Belegt 2026 angekündigte Funktionen, Gerätefußnoten und Preview-Hinweise. https://www.apple.com/apple-intelligence/ ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷

3. Apple Intelligence brings powerful AI capabilities into everyday experiences. Apple Newsroom, 8. Juni 2026. Pressemitteilung. Belegt Systemintegration und Funktionsausblick. https://www.apple.com/newsroom/2026/06/apple-intelligence-brings-powerful-ai-capabilities-into-everyday-experiences/ ↩ ↩² ↩³ ↩⁴

4. Private Cloud Compute: A new frontier for AI privacy in the cloud. Apple Security Research, 10. Juni 2024. Sicherheitsarchitektur. Belegt PCC-Anforderungen, Attestation, Datenverarbeitung und Transparenzmodell. https://security.apple.com/blog/private-cloud-compute/ ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸

5. Use ChatGPT with Apple Intelligence on iPhone. Apple Support, laufend aktualisiert. Nutzerdokumentation. Belegt Zustimmung, Datei-/Foto-Freigabe und Kontonutzung. https://support.apple.com/guide/iphone/use-chatgpt-with-apple-intelligence-iph00fd3c8c2/ios ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶

6. Introducing the Third Generation of Apple’s Foundation Models. Apple Machine Learning Research, 8. Juni 2026. Offizieller Forschungs-/Architekturbeitrag. Belegt AFM-3-Modellfamilie, Parameterzahlen, sparse Architektur, NAND/DRAM-Mechanik, Trainings- und Preview-Status. https://machinelearning.apple.com/research/introducing-third-generation-of-apple-foundation-models ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰ ↩¹¹ ↩¹²

7. Apple Intelligence Foundation Language Models: Tech Report 2025. Apple, Revision 27. August 2025. Technischer Bericht/Paper. Belegt 3B-On-Device-Modell, Quantisierung, KV-Cache-Sharing, Modellstärken und Adapter. https://machinelearning.apple.com/papers/apple_intelligence_foundation_language_models_tech_report_2025.pdf ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰ ↩¹¹

8. Expanding Private Cloud Compute. Apple Security Research, 8. Juni 2026. Sicherheitsarchitektur/Preview. Belegt PCC-Erweiterung auf Google Cloud und NVIDIA-GPUs sowie neue Vertrauensanker. https://security.apple.com/blog/expanding-pcc/ ↩ ↩² ↩³

9. Meet the Foundation Models framework. Apple Developer, WWDC 2025. Technische Session. Belegt On-Device-Systemmodell, Swift-API, Guided Generation, Tool Calling und Offline-Betrieb. https://developer.apple.com/videos/play/wwdc2025/286/ ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷

10. WWDC26 Apple Intelligence guide. Apple Developer, Juni 2026. Entwicklerübersicht. Belegt 2026er Framework-, Image-Playground- und Plattformänderungen. https://developer.apple.com/wwdc26/guides/apple-intelligence/ ↩ ↩² ↩³ ↩⁴ ↩⁵

11. Bring your large language model to the Foundation Models framework. Apple Developer, WWDC 2026. Technische Session. Belegt LanguageModel-/Executor-Protokoll, Drittanbieterpfade und PCC-Kontextangabe für Entwickler. https://developer.apple.com/videos/play/wwdc2026/339/ ↩ ↩² ↩³ ↩⁴

12. Core ML. Apple Developer Documentation, laufend aktualisiert. Framework-Dokumentation. Belegt CPU-, GPU- und Neural-Engine-Nutzung. https://developer.apple.com/documentation/coreml/ ↩ ↩²

13. MLX. Apple Machine Learning Research, GitHub, laufend aktualisiert. Offizielles Open-Source-Repository. Belegt MLX-Zweck und Apple-Silicon-Optimierung. https://github.com/ml-explore/mlx ↩ ↩² ↩³

14. llama.cpp. ggml-org, GitHub, laufend aktualisiert. Offizielles Open-Source-Repository. Belegt lokale GGUF-Inferenz und Metal-Unterstützung auf Apple Silicon. https://github.com/ggml-org/llama.cpp ↩ ↩²

15. Introducing Apple Intelligence, the personal intelligence system. Apple Newsroom, 10. Juni 2024. Pressemitteilung. Belegt ursprüngliche Hybridarchitektur und Produktdefinition. https://www.apple.com/newsroom/2024/06/introducing-apple-intelligence-for-iphone-ipad-and-mac/ ↩ ↩²

16. OpenAI and Apple announce partnership. OpenAI, 10. Juni 2024. Offizielle Anbieterankündigung. Belegt Datenschutzregeln der kontenlosen Apple-Integration. https://openai.com/index/openai-and-apple-announce-partnership/ ↩ ↩²

17. Introducing Apple’s On-Device and Server Foundation Models. Apple Machine Learning Research, 10. Juni 2024. Offizieller Forschungsbeitrag. Belegt die erste öffentlich dokumentierte Modellgeneration und Spezialisierung. https://machinelearning.apple.com/research/introducing-apple-foundation-models ↩

18. Apple Intelligence gets even more powerful with new capabilities across Apple devices. Apple Newsroom, 9. Juni 2025. Pressemitteilung. Belegt Live Translation, Entwicklerzugriff und 2025er Plattformfunktionen. https://www.apple.com/newsroom/2025/06/apple-intelligence-gets-even-more-powerful-with-new-capabilities-across-apple-devices/ ↩

19. Use Apple Intelligence models in Shortcuts on iPhone. Apple Support, laufend aktualisiert. Nutzerdokumentation. Belegt explizite Auswahl zwischen On-Device, PCC und ChatGPT in Kurzbefehlen. https://support.apple.com/guide/iphone/use-apple-intelligence-in-shortcuts-iph78c41eaf8/ios ↩

20. Core AI. Apple Developer Documentation, 2026. Framework-Dokumentation. Belegt Apples neue generative KI- und Hardwareabstraktionsplattform. https://developer.apple.com/documentation/coreai ↩

21. Unified Memory in MLX. Apple MLX Documentation, laufend aktualisiert. Technische Dokumentation. Belegt das gemeinsame Speichermodell von CPU und GPU in MLX. https://ml-explore.github.io/mlx/build/html/usage/unified_memory.html ↩

22. Use the Foundation Models framework from the command line. Apple Developer, WWDC 2026. Technische Session. Belegt fm-CLI und Python-SDK auf macOS 27. https://developer.apple.com/videos/play/wwdc2026/334/ ↩

23. Access the cloud model with the Foundation Models framework. Apple Developer, WWDC 2026. Technische Session. Belegt PCC-Entwicklerzugriff, Berechtigung und Quoten. https://developer.apple.com/videos/play/wwdc2026/319/ ↩

24. Core ML Tools overview. Apple, laufend aktualisiert. Entwicklerdokumentation. Belegt Modellkonvertierung und ML-Program-Deployment. https://apple.github.io/coremltools/docs-guides/source/overview-coremltools.html ↩

25. Gemini Nano. Android Developers, laufend aktualisiert. Plattformdokumentation. Belegt AICore und On-Device-Gemini-Nano. https://developer.android.com/ai/gemini-nano ↩

26. AI on Android. Android Developers, laufend aktualisiert. Plattformübersicht. Belegt lokale und Cloud-Entwicklerpfade. https://developer.android.com/ai/overview ↩

27. NPU devices / Copilot+ PCs. Microsoft Learn, laufend aktualisiert. Plattformdokumentation. Belegt NPU-Klasse und Copilot+-Anforderungen. https://learn.microsoft.com/en-us/windows/ai/npu-devices/ ↩

28. Windows Copilot AI components. Microsoft Support, laufend aktualisiert. Produktsupport. Belegt lokale Windows-AI-Komponenten. https://support.microsoft.com/topic/windows-copilot-ai-components-a9ef14e9-32a7-497f-b780-7b6fb63af793 ↩

29. Galaxy AI. Samsung, laufend aktualisierte Produktseite. Produktdokumentation. Belegt Galaxy-AI-Funktionsfamilie. https://www.samsung.com/us/galaxy-ai/ ↩

30. On-device and cloud-based Galaxy AI functions. Samsung Support, laufend aktualisiert. Support-Dokumentation. Belegt lokale/cloudbasierte Unterscheidung und Geräteeinstellung. https://www.samsung.com/ae/support/mobile-devices/how-to-distinguish-between-on-device-functions-and-cloud-based-functions-among-new-ai-features/ ↩