Von @Generable bis SwiftData: eine On-Device-Pipeline in Angebotsqualität

Die Einschränkung bestand nicht darin, ein Model dazu zu bringen, ein Angebot zu schreiben.

Eine einzelne Eingabeaufforderung kann einen Satz ergeben. Es kann nicht feststellen, ob das Systemmodell bereit ist, eine Schnittstelle reaktionsfähig halten, eine generierte Zeile von einem historischen Angebot unterscheiden, verhindern, dass ein Beinahe-Duplikat in eine Bibliothek gelangt, oder das Produkt nützlich lassen, wenn die Inferenz fehlschlägt. Die umgebenden Entscheidungen sind das Merkmal.

RiseHush hat kein Inferenz-Backend. Auf unterstützten Apple Intelligence-Geräten sendet die App eine begrenzte Eingabeaufforderung an das geräteinterne Systemsprachenmodell von Apple und speichert ein akzeptiertes Ergebnis in lokalen SwiftData. Die produktbezogene Informationsseite erklärt, was eine Person sieht; Dieser Artikel dokumentiert den Implementierungspfad und seine Grenzen. Die Autorität darüber, ob das Modell jetzt ausgeführt werden kann, bleibt Apples eigene Verfügbarkeits-API.

„Reproduzierbar“ bedeutet hier, dass ein anderer Ingenieur die Bereitschaftsmatrix, Ablehnungsvorgaben, Timeout-Pfade und Persistenzprüfungen wiederholen kann. Dies bedeutet nicht, dass ein nichtdeterministisches Sprachmodell Stück für Stück dieselbe Prosa zurückgibt. Diese Seite berichtet über die überprüfte Quellarchitektur, nicht über neue Qualitätsmetriken für physische Geräte. Aus einem Testskript wird kein Benchmark-Ergebnis abgeleitet.

• -Inferenz:Apples Systemsprachenmodell auf dem Gerät.
• Ausgabevertrag:Ein geführter Swift-Typ, dann deterministische Validierung.
• Speicher:Lokale SwiftData-Zeilen, die als generiert markiert sind.
• Netzwerkpfad:Kein Server der RiseHush-Generation oder Modell eines Drittanbieters.

[1][2]

Von der Eingabeaufforderung zur Bibliothek: der Produktionspfad

Dies ist die Architektur hinter dem geräteinternen Angebotsgenerator von RiseHush, wie in der aktuellen App-Quelle überprüft. Es dokumentiert die Gates, Fehlerpfade und Prüfungen, die ein Entwickler reproduzieren kann; Es handelt sich nicht um einen Modell-Benchmark oder die Behauptung, dass jeder Entwurf gut ist.

Die Reihenfolge ist bewusst. Billige, erklärbare Prüfungen werden vor weiteren Schlussfolgerungen durchgeführt. Es erfolgt kein Schreibvorgang, bis jedes erforderliche Gate den Kandidaten akzeptiert hat. Bei einer gestreamten Antwort handelt es sich um einen vorläufigen Schnittstellentext, nicht um ein gespeichertes Zitat.

1. 01

   Bereitschaft beweisen

   Der Dienst prüft die Verfügbarkeit des Systemmodells und das angeforderte Gebietsschema, bevor er eine Sitzung erstellt. Geräteberechtigung, Apple Intelligence-Status, Modell-Asset-Bereitschaft und Sprachunterstützung sind separate Ergebnisse.

2. 02

   Beschränken Sie den Entwurf

   Ein @Generable Swift-Typ erfordert einen Originalsatz, normalerweise 10–16 Wörter und nie mehr als 18, ohne Namensnennung, Markdown, Hashtags, Emojis oder umschließende Anführungszeichen.

3. 03

   Streamen Sie den Hauptdarsteller

   Für die Anfrage wird eine neue LanguageModelSession vorgewärmt. Teilweise strukturierte Snapshots können die Schnittstelle aktualisieren, während die Foundation Models-Schleife vom Hauptakteur fern bleibt.

4. 04

   Lehnen Sie offensichtliche Fehler ab

   Vor jeder modellbasierten Beurteilung überprüft ein deterministisches Gate Satz- und Wortgrenzen, Sprachübereinstimmung, verbotene Fragmente, Satzzeichen und mehrsprachige Klischeemuster.

5. 05

   Testen Sie Neuheit und Qualität

   Wenn Vergleichseinbettungen verfügbar sind, müssen sich die Überlebenden einer semantischen Prüfung auf nahezu Duplikate und anschließend einer separaten geführten Beurteilung und Unterscheidungskraftbewertung stellen. Ein gestreamter Entwurf, der einen erforderlichen Schwellenwert verfehlt, wird verworfen und nicht stillschweigend beibehalten.

6. 06

   Beharren Sie auf dem Überlebenden

   Metadaten werden außerhalb des Hauptakteurs berechnet. Das Einfügen von SwiftData kehrt zum Hauptakteur zurück, kennzeichnet die Zeile als generiert und nicht gemeinfrei und macht vorübergehende Einfügungen rückgängig, wenn das Speichern fehlschlägt.

7. 07

   Lokalen Zustand wiederverwenden

   Die App- und Systemoberflächen verbrauchen das gespeicherte Angebot. Widgets lesen persistente Daten; Sie aktivieren das Sprachmodell nicht innerhalb einer Erweiterungszeitleiste.

[2][3][4][5]

Geführter Ausgang verengt die Form; Der Code besitzt weiterhin die Richtlinie

Der Entwurf ist ein Swift-Typ mit der Bezeichnung@Generable. Der Leitfaden verlangt einen Originalsatz, normalerweise 10–16 Wörter mit einem harten Prompt von maximal 18, und verbietet Namensnennung, Umbruch von Anführungszeichen, Hashtags, Emoji, Markdown und Zeilenumbrüche. Die Produktionsoptionen verwenden eine Temperatur von 0,7 und eine Obergrenze von 40 Token: genug Platz für den strukturierten Wrapper und den kurzen Satz, ohne dass eine absatzlange Ausgabe erforderlich ist.

Dies macht die Validierung nicht optional. Apple beschreibt die geführte Generierung als eine Möglichkeit, strukturierte Swift-Daten zu erstellen, und nicht als Garantie dafür, dass der Inhalt allen Produktregeln entspricht. RiseHush behandelt den eingegebenen Wert des Modells daher als nicht vertrauenswürdigen Entwurf. In der gekürzten Skizze unten bleiben die Produktionsreihenfolge und die Schwellenwerte erhalten, während anwendungsspezifische Eingabeaufforderungs- und Persistenzdetails weggelassen werden.

@Generable
private struct GeneratedQuoteDraft {
    @Guide(description: "One original sentence; 10–16 words; no attribution")
    var text: String
}

guard availability(locale: locale) == .available else {
    throw GenerationError.unavailable
}

let stream = session.streamResponse(
    to: prompt,
    generating: GeneratedQuoteDraft.self,
    options: generationOptions
)

for try await snapshot in stream {
    yield(snapshot.content.text)          // interface update
}

guard deterministicGate.passes(text, locale: locale),
      await noveltyGate.isNearDuplicate(text) == false,
      await judge.score(text).overall >= 6,
      distinctiveness.score(text).overall >= 5
else {
    throw GenerationError.noCandidate
}

return try persistAsGeneratedQuote(text)

[4][5]

Warum ein zweiter Durchgang immer noch nicht ausreichte

Die erste Ablehnungsebene ist deterministisch: leere Ausgabe, verbotene Eingabeaufforderungsreste, umschließende Anführungszeichen, Wort- und Satzbeschränkungen, sprachliche Meinungsverschiedenheiten und mehrsprachige Klischeevorgaben. Ein lokaler Core ML-Geschmacksfilter kann ein gelerntes Signal für Englisch, Deutsch, Spanisch, Französisch, Italienisch und Portugiesisch hinzufügen; Es wird absichtlich übersprungen und nicht außerhalb dieser kalibrierten Gebietsschemas falsch angewendet.

Wenn als Nächstes Vergleichseinbettungen verfügbar sind, vergleicht ein semantisches Neuheitsgatter den Kandidaten mit einem begrenzten lokalen Katalog und weist Beinahe-Duplikate bei einem Kosinus-Ähnlichkeitsschwellenwert von 0,90 zurück. Wenn der Katalog leer ist oder eine Einbettung nicht erstellt werden kann, wurde diese Ebene durchgelassen, anstatt den Anspruch auf Neuheit zu erheben. Eine neue Foundation Models-Sitzung punktet dann mit Gesamtqualität, Originalität und Wärme. Dieser Richter ist eine separate Sitzung, die dasselbe Systemmodell verwendet – kein unabhängiges Modell und keine menschliche Überprüfung. Wenn es nicht verfügbar ist, sich weigert oder keine strukturierte Ausgabe erzeugen kann, bietet ein deterministischer Score einen begrenzten Fallback.

Schließlich belohnt eine Unterscheidungskraftbewertung konkrete Bilder, Handlungen, emotionale Spezifität und Handlungsfähigkeit, während Formeln und aktuelle negative Anker abgestraft werden. Für die Akzeptanz ist derzeit eine Bewertung von mindestens 6 und eine Unterscheidungskraft von mindestens 5 erforderlich. Hierbei handelt es sich um Produktschwellenwerte, nicht um einen Nachweis globaler Originalität oder Sicherheit.

[7]

Halten Sie das Model vom Hauptdarsteller fern

Der öffentliche Dienst gibt SwiftData-Modellobjekte zurück, sodass seine Einstiegspunkte weiterhin an den Hauptakteur gebunden bleiben. Die teure Antwortschleife von Foundation Models funktioniert nicht. Jede Anfrage besitzt eine neueLanguageModelSession; Streaming und Metadatenberechnung laufen vom Hauptakteur ab, mit kleinen expliziten Sprüngen für akteurgebundene Eingabeaufforderungssignale und Persistenz.

Beim Streaming werden teilweise strukturierte Schnappschüsse für die Benutzeroberfläche erstellt und der endgültige Text dann durch dieselben Gate-, Neuheits-, Richter- und Unterscheidungsbalken geleitet wie der Poolpfad. Ein abgeschlossener Stream kreuzt Akteure anhand einer dauerhaften Kennung, anstatt ein nicht sendbares SwiftData-Modell zu verschieben. Der Aufrufer löst diese Kennung für seinen eigenen Akteur auf.

Es wird nur akzeptierter Text eingefügt. Der Datensatz wird als RiseHush erstellt, mitsource = .generatedundisPublicDomain = falsegekennzeichnet, mit seinem Gebietsschema getaggt und mit lokal berechneten Metadaten angereichert. Wenn das Speichern fehlschlägt, werden die vorübergehenden Einfügungen gelöscht, bevor der Fehler erneut auftritt.

[5][10]

Den Concierge mit drei schreibgeschützten Tools erden

Ask RiseHush ist nicht berechtigt, den Bibliotheksstatus einer Person zu erfinden. Mit der Tool-Calling-API von Apple können in einer Sitzung App-Funktionen eingegrenzt und die zurückgegebenen Daten integriert werden. Die App stellt drei begrenzte, schreibgeschützte Tools zur Verfügung; keiner erreicht einen RiseHush-Server.

Werkzeugargumente und Ausgabegrößen sind eingeschränkt. Die Suche nach gespeicherten Angeboten liefert höchstens acht Ergebnisse, die Katalogsuche höchstens fünf und die Gesamtausgabe des Tools ist begrenzt. Das Tool „Gespeicherte Angebote“ kann kürzlich passende Elemente zurückgeben, akzeptiert jedoch keinen Kalenderbereich – daher sollte das Produkt nicht versprechen, dass das Modell antworten kann: „Was habe ich letzte Woche gespeichert?“

• Suche nach Katalogangeboten

  Durchsucht den gebündelten Zitatkatalog nach Stimmung, Kategorie oder Thema. Das Modell wird nicht aufgefordert, eine Quelle zu erfinden.

• Gespeicherte Angebotssuche

  Sucht nach den gespeicherten und bevorzugten Zitaten der Person im lokalen Speicher.

• Streak-Status

  Liest die lokale Inspirationsserie, damit Ask RiseHush eine begrenzte persönliche Frage beantworten kann.

[6]

Das Fehlerverhalten ist Teil der Architektur

Verfügbarkeit ist kein boolescher Wert. Auf einem kompatiblen Gerät ist möglicherweise weiterhin Apple Intelligence deaktiviert, Modellressourcen werden vorbereitet oder eine Sprache wird vom Systemmodell nicht unterstützt. Die Laufzeitgenerierung kann auch ablehnen, an eine Leitplanke stoßen, den Kontext überschreiten, gedrosselt werden, auf eine gleichzeitige Anforderung stoßen, bei der strukturierten Analyse fehlschlagen oder eine Zeitüberschreitung aufweisen.

RiseHush ordnet diese Fälle dem endlichen Produktverhalten zu. Die Vordergrundgenerierung hat ein Budget von 45 Sekunden, Siri 20 Sekunden und die Hintergrundpoolgenerierung 120 Sekunden. Die kuratierte Bibliothek bleibt der ehrliche Ersatz; Die App speichert niemals Platzhalterprosa, als ob ein Modell erfolgreich wäre.

[2][3][7]

Ein Reproduzierbarkeitsprotokoll ohne erfundene Ergebnisse

Das folgende Protokoll trennt die Quelleninspektion vom Live-Gerätenachweis. Zeichnen Sie Hardware, Betriebssystem-Build, Gebietsschema, Apple Intelligence-Status, Modellbereitschaft, Eingabeaufforderungsbefestigung, verstrichene Zeit, Terminalzweig, Ablehnungsgrund und Persistenzergebnis für jeden Lauf auf. Die Foundation Models Instruments von Apple können das Prompt-, Tool-, Token- und Latenzverhalten während einer echten Sitzung offenlegen.

Eine maschinenlesbare Version ist alsFoundation Models Evaluation Protocol (JSON) verfügbar. Es enthält die Matrix und den Feldvertrag, keine erfundenen Messungen. Wenn ein aktueller Lauf auf einem physischen Gerät genehmigt wird, hängen Sie dessen anonymisierte Zeilen an und veröffentlichen Sie aggregierte Akzeptanz-, Timeout- und Latenzwerte mit dem genauen Gerät und Betriebssystem.

1. Verwenden Sie kompatible Hardware mit einem unterstützten Betriebssystem. Testen Sie, ob Apple Intelligence aktiviert und bereit ist, deaktiviert ist und noch heruntergeladen wird.
2. Wiederholen Sie den Vorgang mit einem unterstützten und einem nicht unterstützten Gebietsschema. Überprüfen Sie, ob die App zwischen Modellunterstützung und allgemeiner Geräteberechtigung unterscheidet.
3. Nachdem die Modellressourcen bereit sind, wiederholen Sie den Vorgang im Flugzeugmodus und vergewissern Sie sich, dass kein RiseHush-Generierungsendpunkt erforderlich ist.
4. Beobachten Sie Teiltexte, während Sie mit der Benutzeroberfläche interagieren. Stellen Sie sicher, dass das Scrollen und die Bedienelemente während der Modelldrehung weiterhin reagieren.
5. Feed-Fixtures, die leer sind, aus mehreren Sätzen bestehen, zu lang, in Anführungszeichen gesetzt, in der falschen Sprache, klischeehaft oder beinahe duplikathaft sind; Keine sollten zu gespeicherten generierten Zeilen werden.
6. Lösen Sie eine Ablehnung durch den Richter und eine begrenzte Zeitüberschreitung aus; Bestätigen Sie, dass kein abgelehnter Entwurf bestehen bleibt und das kuratierte Erlebnis weiterhin verfügbar bleibt.
7. Erzwingen Sie einen lokalen Speicherfehler in einem Testspeicher. Bestätigen Sie, dass eingefügte Modelle zurückgesetzt werden.
8. Trainieren Sie Siri mit seinem kürzeren Zeitbudget und stellen Sie sicher, dass Widgets nur persistente Daten lesen, anstatt die Generierung in der Erweiterung zu starten.

[8]

Was diese Architektur nicht beweist

Eine hochwertige Pipeline kann Fehler sichtbar machen und die Persistenz von Fehlern verringern. Es kann kein kleines Sprachmodell auf dem Gerät in eine historische Quelle umwandeln, beweisen, dass ein Satz nie irgendwo geschrieben wurde, oder den Geschmack garantieren. Generierte Zeilen werden daher niemals historischen Autoren zugeordnet und gelangen niemals in den gemeinfreien Katalog.

Die Übersetzung verdient eine gesonderte Warnung. Für ein Gebietsschema, das nicht direkt von Foundation Models unterstützt wird, leitet der optionale Pfad einen englischen Entwurf vollständig ein und verwendet dann das geräteinterne Übersetzungsframework von Apple, wo das Paar verfügbar ist. Das übersetzte Ergebnis wird auf eine nicht leere Antwort überprüft und mit neuen Metadaten beibehalten, es wiederholt jedoch derzeit nicht die vollständige Tor-, Neuheits- und Bewertungssequenz der Zielsprache nach der Übersetzung. Dieser Weg ist ein Rückfall und kein Beweis für die gleiche Qualität der direkten Erzeugung.

Modell- und Betriebssystemaktualisierungen können die Verfügbarkeit, Latenz, das Ablehnungsverhalten und die Ausgabeverteilung ändern. Apple empfiehlt, Eingabeaufforderungen und Bewertungen erneut zu prüfen, wenn sich die Foundation Models ändern. Die Testmatrix von RiseHush muss daher nach wesentlichen Plattformaktualisierungen erneut ausgeführt werden, anstatt diese Seite als permanenten Benchmark-Beweis zu betrachten.

• Das Systemmodell wird nicht als Quelle für historische Zitatfakten oder Autorenzuschreibungen verwendet.
• Eine strukturierte Ausgabe und ein zweiter Modelldurchlauf reduzieren Fehlermöglichkeiten; Sie beweisen nicht, dass eine Zeile tiefgreifend, im globalen Sinne originell oder für jeden geeignet ist.
• Die semantische Neuheitsschicht wird durchlaufen, wenn ihr begrenzter Katalog leer ist oder Vergleichseinbettungen nicht verfügbar sind. Es reduziert bekannte Beinahe-Duplikate, bescheinigt jedoch keine globale Originalität.
• Die Offline-Generierung hängt von kompatibler Hardware, aktivierter Apple Intelligence, unterstütztem Sprachverhalten und bereits bereitstehenden Modellressourcen ab.
• Der optional erlernte Core ML-Geschmacksfilter ist für Englisch, Deutsch, Spanisch, Französisch, Italienisch und Portugiesisch kalibriert; Andere Standorte erhalten weiterhin die deterministischen und modellbasierten Schichten, die sie unterstützen.
• Ein lokal übersetzter Fallback ist nicht gleichbedeutend mit der direkten Generierung der Zielsprache: Das aktuell übersetzte Ergebnis wiederholt nicht jede Qualitätsebene nach der Übersetzung.
• Betriebssystem- und Modellaktualisierungen können die Latenz und Ausgabeverteilung ändern, sodass die Gerätematrix nach wesentlichen Plattformänderungen erneut ausgeführt werden muss.
• Diese Seite beschreibt die aktuelle Architektur und ist kein Versprechen, dass auf jeder Plattformoberfläche Foundation Models ausgeführt werden. Widgets verbrauchen absichtlich persistente Ergebnisse.

[3][9][11]