Descargar
Funcionando en un minuto.
Python 3.10 o posterior es el único requisito. MAFDET instala llama.cpp y los modelos por sí solo, con una barra de progreso para cada descarga. Versión actual: v0.4.1, notas de la versión en GitHub.
Con doble clic
- Descarga MAFDET: en GitHub, Code → Download ZIP, y descomprímelo (o
git clone). - Haz doble clic en
start_mafdet.bat. La primera vez crea un entorno de Python en.venve instala MAFDET, alrededor de un minuto. Necesita Python 3.10 o posterior. - Después, un doble clic abre MAFDET en menos de un segundo. Tras una actualización instala las nuevas librerías por sí solo.
Desde PyPI
Con el Python de python.org, pip funciona tal cual.
$ pip install mafdet $ mafdet
Funciona en NVIDIA con CUDA (referencia: RTX 2060, 6 GB), en AMD Radeon con Vulkan (implementado, aún sin medir) o en la CPU.
Con doble clic
- Descarga MAFDET (Code → Download ZIP, o
git clone). - Haz doble clic en
start_mafdet.command. Python 3.10 o posterior: desde python.org, obrew install python@3.12. - Si el Finder dice que no puede verificar el archivo: clic derecho, Abrir, y de nuevo Abrir. Solo la primera vez.
Desde PyPI, con pipx
El Python de Homebrew rechaza pip install fuera de un entorno virtual: pipx le da a MAFDET un entorno propio.
$ brew install pipx $ pipx ensurepath # luego abre una terminal nueva $ pipx install mafdet $ mafdet
Apple Silicon (M1 o posterior) ejecuta los modelos en la GPU con Metal, en la memoria unificada. Probado en un M2 Pro con 16 GB. Los Mac con Intel funcionan en la CPU.
Aún sin probar
Linux tiene sus builds de llama.cpp y sus rutas de código listas (CUDA, Vulkan, CPU), pero nadie ha ejecutado MAFDET en él de principio a fin todavía. Si lo pruebas, un issue con la salida de mafdet doctor es lo más útil que puedes enviar.
Desde PyPI, con pipx
Las versiones recientes de Ubuntu y Debian detienen pip install con externally-managed-environment: usa pipx.
$ sudo apt install pipx $ pipx ensurepath # luego abre una terminal nueva $ pipx install mafdet $ mafdet
En una terminal
También para las mediciones de research/.
$ git clone https://github.com/TheLastOxygen/mafdet.git $ cd mafdet $ python -m venv .venv # Windows: py -3.12 -m venv .venv $ source .venv/bin/activate # Windows: .venv\Scripts\Activate.ps1 $ pip install -e . $ mafdet
Actualizar
$ pipx upgrade mafdet # o: pip install -U mafdet
Los scripts de doble clic actualizan su entorno por sí solos tras un git pull.
En cualquier caso: MAFDET pregunta si abrir la ventana o la app de terminal, mira tu máquina, instala la build adecuada de llama.cpp (CUDA, Vulkan, Metal o CPU) y descarga el modelo que mejor funciona. Sin PyTorch, sin descargas manuales.
Requisitos
Hecho para el hardware que tiene la mayoría.
Windows
Una GPU NVIDIA con drivers actualizados (objetivo probado: RTX 2060, 6 GB), una AMD Radeon con Vulkan (implementado, aún sin medir), o solo una CPU.
Probado
macOS
Apple Silicon (M1 o posterior): los modelos corren en la GPU con Metal, en la memoria unificada. Probado en un M2 Pro con 16 GB, macOS 26.2: Qwen3-4B lee 593 tokens/s y escribe 57. Los Mac con Intel funcionan en la CPU.
Probado
Linux
Las builds de llama.cpp y las rutas de código están listas (CUDA, Vulkan, CPU), pero nadie lo ha ejecutado de principio a fin todavía. Cuéntanos cómo te fue.
Aún sin probar
Python
3.10 o posterior (probado con 3.12). Sin PyTorch: llama.cpp ejecuta los modelos, transformers solo aporta los tokenizadores.
Disco
Unos 0.7 GB para llama.cpp con CUDA (100 MB con Vulkan, 60 MB para la CPU), más los modelos: desde 0.6 GB (Qwen3-0.6B) hasta 2.3 GB para el 4B recomendado en tarjetas de 6-8 GB.
Memoria
16 GB de RAM recomendados para ejecuciones solo en CPU y para modelos más grandes que la VRAM. Los modelos más grandes que la VRAM corren en parte en la CPU: funciona, pero más despacio, y cabe menos razonamiento antes de Enter.
El primer arranque
Qué pasa cuando lo abres.
- 01
¿Ventana o terminal? El lanzador lo pregunta, y puede recordar tu elección (
mafdet --asklo vuelve a mostrar). - 02
Tu máquina. MAFDET mira la GPU, la memoria y la CPU, e instala la build adecuada de llama.cpp: CUDA para una tarjeta NVIDIA, Vulkan para una Radeon, Metal en un Mac con Apple Silicon, CPU en los demás casos.
- 03
El modelo. El catálogo dice qué hace cada modelo en tu hardware antes de descargarlo, y marca el que mejor funciona. Qwen3-4B es la elección en una tarjeta de 6-8 GB.
- 04
Chat. Empieza a escribir: la línea de estado muestra qué lee y piensa el modelo mientras escribes. Cada respuesta termina con sus números.