2026-10-31

在 Mac 上跑 763B 的 DeepSeek：Draw Things 开源 Local Code

Draw Things 正式发布并开源 Local Code：在 Mac 本地跑 763B 的 DeepSeek 4.1 Flash 1017，常驻内存最低约 36 GiB；速度与量化成绩为厂商自报或自测。

先猜一下

我先问大家一个问题。

一个 763B 参数的模型，量化以后的安装包是 376 GiB。你觉得，运行它最少需要多少内存？

大部分人的直觉是：内存至少要装得下整个模型，也就是几百 GiB。这样的机器，个人用户基本买不到。

但是，Draw Things 给出的答案是：常驻内存最低约 36 GiB。

这就是这篇文章要介绍的 Local Code。

Local Code 是什么

Draw Things 这个名字，很多 Mac 用户可能见过，它一直在做本地运行的 AI 生成工具。

2026-10-28，它的团队发布文章，宣布 Local Code 结束公开测试，正式发布，并且整体开源，代码在 GitHub 的 drawthingsai/local-code-community 仓库。

简单说，Local Code 是一个在 Mac 本地运行的 agent 应用。

它的特点是"纯本地"：模型跑在你自己的电脑上，不需要登录账号，不需要 API Key，也不需要接外部的 MCP 服务。

这对注重隐私的用户很有吸引力。你的文件、照片、邮件，都不用离开自己的机器。

不需要 API Key，还有一层意思：不按 token 计费。

用过云端 agent 的同学都知道，agent 很费 token。它要反复读文件、调工具、改代码，一个任务下来，账单可能比你预想的高得多。本地运行的话，电费和硬件是你自己出的，但是用多用少，不会再有一张按量计费的账单。

当然，这不等于免费。一台大内存的 Mac 本身就很贵，只是把"按月付费"换成了"一次性买断"。哪种更划算，要看你用得多不多。

它能做什么

根据官方的发布文，Local Code 能做的事情相当多。

（1）生成内容。 它内置了 Python 和 draw-things-cli，可以在本地生成图片、视频和信息图，还能做幻灯片和讲解视频。

（2）写代码。 可以编写和审查 Python、JavaScript 代码。

（3）上网办事。 可以访问网站，并用你的凭据登录、预约。

（4）接入系统应用。 可以连接照片、信息、邮件、备忘录、日历。

（5）处理办公文档。 可以修改表格、读取 Word 文件、修改 PPT。

可以看到，它不只是一个写代码的工具，更像一个"本地全能助理"。

这里要提醒一下第（3）点和第（4）点。让 agent 用你的凭据登录网站、读写你的邮件和信息，权限是很大的。本地运行解决了"数据不出机器"的问题，但没有解决"agent 会不会做错事"的问题。建议一开始只给它必要的权限，重要操作要自己确认。

三个模型

Local Code 提供了几个可选的模型，官方给出的门槛如下（均为官方自报）。

最大的那个，就是开头提到的 DeepSeek 4.1 Flash 1017。站内之前写过这个模型的搜索接口，那是在云端调用，这一次是把它搬到了本地。

官方给出的性能数字是：常驻内存约 36 GiB 时，提示处理约 350 tok/s，生成约 18 tok/s。

18 tok/s 是什么概念？大致是一个人能舒服阅读的速度，聊天够用。但如果让它一口气写一大段代码，你可能就要等一会儿了。

如果你的 Mac 内存只有 16 GiB，那就只能选 Qwen 3.8 27B。如果是 48 GiB，可以试试 DeepSeek 4 Flash 0731。想跑最大的那个，官方建议 64 GiB 以上。

要注意，官网 getlocalcode.app 的内存选择器口径不太一样：DeepSeek 4.1 Flash 1017 写的是最低 32 GB、推荐 96 GB，DeepSeek 4 Flash 最低 32 GB、推荐 64 GB，Qwen 3.8 27B 最低 16 GB、推荐 32 GB。上面的表格按发布文整理。

为什么不用全部装进内存

回到开头的问题。为什么 376 GiB 的模型，常驻内存最低只要约 36 GiB？

官方发布文没有展开讲原理。官网只提了一句"SSD streaming"：把模型的一部分放在 SSD 上，需要时再加载。下面的细节是我的推断，仅供参考。

DeepSeek 的 Flash 系列是混合专家（MoE）架构。这种模型虽然总参数很大，但每次生成一个 token，只会用到其中一小部分"专家"。

所以，合理的做法是：只把必须常驻的部分放在内存里，其余的权重放在硬盘上，用到哪部分，再读哪部分。

这就像一座很大的图书馆。你不需要把所有的书都搬到桌上，只需要把常用的几本放在手边，其他的书放在书架上，要用的时候再去取。

这种做法的代价是速度。硬盘再快，也比内存慢。这也许可以解释，为什么官方建议的内存（64 GiB 以上）比最低常驻内存高出不少----内存越大，能放在"手边"的书就越多，需要跑去书架的次数就越少。

再说一遍，这一节是推断，具体实现以官方代码为准。好在它已经开源，有兴趣的同学可以去仓库里看。

2-bit 量化

还有一个细节值得一提。

官方称，他们的 2-bit 量化在基准测试上的成绩，和官方原版成绩接近，没有明显退化。这是厂商自测，不是第三方复现。

2-bit 的意思是，每个参数只用 2 个比特来存储。这是非常激进的压缩，通常会让模型变"笨"。

如果官方说法成立，这是一个很重要的结果。不过要注意，这是 Draw Things 自己测的，还需要更多第三方的验证。

另外，官方说这个量化格式针对 M5 Ultra 的神经加速器做了优化。所以，不同芯片的 Mac，实际表现可能会有差别。

怎么获取

目前可以从 getlocalcode.app 下载。

官方说 Mac App Store 版本"即将推出"，截至 10 月 31 日还没有上架，目前从官网直接下载。

源码在 GitHub 的 drawthingsai/local-code-community 仓库。

小结

过去，"在个人电脑上跑几百 B 的模型"听起来像是天方夜谭。Local Code 说明，只要量化和加载方式得当，这件事正在变得可行。

当然，门槛依然不低。想舒服地跑最大的模型，你需要一台大内存的 Mac。生成速度也比不上云端服务。

但它的意义在于提供了一种选择：你的数据和你的 agent，可以完全留在自己的电脑上。

如果你有一台大内存的 Mac，又在意隐私，可以试试它。

（完）

来源：Draw Things 发布文（2026-10-28）；GitHub 仓库；Local Code 官网。参数、安装包大小、内存门槛与速度均为 Draw Things 官方自报，表格按发布文整理，官网内存选择器口径另见正文；2-bit 量化成绩为厂商自测；截至 2026-10-31 官网 App Store 入口仍标“Coming soon”；按需加载的原理细节为作者推断。