Apple 開放 Private Cloud Compute 免費額度：AFM 3 模型家族與開發者該知道的事

TL;DR Apple 讓 App Store Small Business Program 開發者免費使用跑在 Private Cloud Compute 上的 AFM 3 模型，門檻是首次下載數低於 200 萬次。AFM 3 家族共五個模型，裝置端的 AFM 3 Core Advanced 用 200 億參數稀疏架構只啟動 1–4B，雲端最強的 AFM 3 Cloud Pro 跑在 Google Cloud NVIDIA GPU 上，用 Gemini 輸出做蒸餾式精煉。

#apple-intelligence #foundation-models #private-cloud-compute #on-device-ai #apple-silicon #ios #swift

免費額度的資格條件
AFM 3：五個模型，兩種運算場景
1. 裝置端（On-Device）
2. 雲端（Private Cloud Compute）
Gemini 的角色：teacher signal，不是 runtime
Foundation Models Framework：統一的 Swift API
1. 開放策略
2. 開源狀態
對小型開發者的實質意義
需要注意的地方
整體來說
參考資料

🌏 English version

Apple 在 2026 年 6 月的 WWDC 2026 發表第三代 Apple Foundation Models（AFM 3），同時宣布符合資格的小型開發者可以免費使用跑在 Private Cloud Compute（PCC）上的雲端模型。這件事容易被淹沒在 WWDC 的大量更新裡，但對獨立開發者和小型工作室來說，這可能是第一次不用先燒雲端 AI 帳單就能在 App 裡接入 frontier 等級模型的機會。

免費額度的資格條件

根據 Apple Developer 官方頁面，要拿到免費的 PCC 存取權，開發者需要同時滿足三個條件：

加入 App Store Small Business Program（年費 $99 的 Apple Developer Program 會員，且前一年營收低於 $1M 才能加入）
旗下所有 App 的首次下載總數低於 200 萬次
取得 Private Cloud Compute entitlement（在官方 entitlement 頁面用 Apple ID 申請）

幾個細節值得注意：TestFlight 和 ad hoc 測試安裝不計入下載數，開發者可以在 App Store Connect Analytics 查目前的累積下載量。如果某款 App 後來衝過 200 萬次門檻，或開發者不再符合 Small Business Program 資格，Apple 會通知並給予 6 個月過渡期遷移到付費方案，不會直接斷線。

這個設計的潛台詞很清楚：Apple 想讓小開發者先用起來，養出依賴 PCC 的 App 生態。等 App 長大超過門檻，開發者已經綁定 Apple 的 API 和隱私架構，轉移成本自然就高了。

AFM 3：五個模型，兩種運算場景

根據 Apple Machine Learning Research 的技術文章，AFM 3 是一個由五個模型組成的家族，與 Google 合作打造，橫跨裝置端和雲端。

裝置端（On-Device）

模型	參數量	架構	特點
AFM 3 Core	30 億	Dense	上一代的直接升級，所有支援裝置都能跑
AFM 3 Core Advanced	200 億	稀疏（IFP）	每次只啟動 1–4B 參數，僅限最新 Apple silicon

AFM 3 Core Advanced 的架構是這次最有趣的技術突破。傳統大型語言模型要求所有權重都在 DRAM 裡才能推論，但手機的記憶體有限。Apple 的做法是把完整的 200 億參數模型存在 flash memory（NAND），用一種叫做 Instruction-Following Pruning（IFP） 的技術，在收到 prompt 時由一個輕量 dense block 決定要載入哪些 expert，然後只把選中的 1–4B 參數搬進 DRAM。

IFP 不是 Apple 臨時發明的——原始論文（arXiv 2501.02086）在 2025 年 1 月就已發表。論文的關鍵結果：3B activated 配置比 3B dense baseline 在數學和 coding 上高出 5–8 個絕對百分點，同時匹配 9B dense 模型的品質。換句話說，同樣的運算開銷買到了三倍參數量的效果。

關鍵差異：routing 決策是以 prompt 為單位，不是逐 token 切換——這跟傳統 Mixture-of-Experts 架構截然不同。因為 NAND 到 DRAM 的頻寬不夠快，逐 token 換 expert 會造成致命延遲。

這個設計還帶來「推論時彈性」：不同難度的任務可以動態調整啟動的參數量。簡單任務只載入 1B 的 expert 子集，複雜任務載到 4B，在速度和品質之間取得平衡。依 ofox.ai 的開發者分析，這是第一個量產出貨到消費者手上的動態稀疏 LLM。

雲端（Private Cloud Compute）

模型	硬體	用途
AFM 3 Cloud	Apple silicon	通用推論，速度與效率優先
ADM 3 Cloud（Image）	Apple silicon	影像生成與編輯（Image Playground、Genmoji）
AFM 3 Cloud Pro	Google Cloud NVIDIA GPU	最強能力：agentic tool use、complex reasoning

三個雲端模型都跑在 Private Cloud Compute 上。Apple 沒有公開任何雲端模型的參數量——只有裝置端模型有公開數字。前兩個跑在 Apple 自己的 Apple silicon 伺服器，AFM 3 Cloud Pro 則是 Apple 與 Google、NVIDIA 合作，把 PCC 的隱私保證延伸到 Google Cloud 的 NVIDIA GPU 上。

根據 Apple 的人工評估，AFM 3 Cloud 相比 2025 年舊版 server model，在英文任務中的偏好比例是 56% vs 11%，跨所有語系一致地大幅進步（PFIGSCJK 語系偏好 68.3% vs 6.9%）。AFM 3 Cloud Pro 再比 AFM 3 Cloud 提升約 10%（文字） 和 14%（圖像理解與數學）。

但有一個關鍵注意事項：Apple 沒有發布任何第三方 benchmark——沒有 MMLU、SWE-bench、GPQA。所有比較都是 vs 自家 2025 baseline 的 side-by-side 人工偏好評估。不要把這些數字當成跟 GPT-5.5、Claude Opus 4.8 或 Gemini 3.1 Pro 的競爭排名。

PCC 的核心承諾是隱私：使用者資料不會被儲存或分享給任何人，包括 Apple。這是 Apple 跟所有其他雲端 AI 服務最根本的差異——不是「我們承諾不看你的資料」，而是架構上做到無法看。

Gemini 的角色：teacher signal，不是 runtime

Apple 與 Google 的合作關係容易被誤讀，需要釐清。根據兩位 Apple 高層的公開說法：

「The amount of the Google Assistant we use is none.」——Craig Federighi, SVP Software Engineering（9to5Mac）

「All of these are custom builds for Apple Silicon, trained using proprietary data, and refined using outputs from Gemini frontier models.」——Amar Subramanya, Apple AI VP（CNBC）

調和這兩句話：Apple 在正式環境沒有跑 Gemini。Gemini 的輸出被用來做 post-training 的蒸餾式精煉（distillation-style refinement）。對 AFM 3 Cloud Pro 而言，Google 的參與更深——多份報導描述了 Gemini-derived 的訓練基礎設施，但 pre-training 和 post-training 仍由 Apple 主導，推論在 NVIDIA GPU 上跑。

這其實是 2026 年的產業趨勢：frontier lab 訓練 teacher model，下游玩家做蒸餾。Apple 是目前公開承認這個模式的最大發行通路。

Foundation Models Framework：統一的 Swift API

Foundation Models framework 是 Apple 提供的原生 Swift API，開發者用同一套介面就能調用裝置端模型和 PCC 雲端模型。根據 WWDC 2026 session 的說明，PCC 模型提供 32K token context window，並且支援 reasoning 能力。今年新增了影像輸入——開發者可以在不走雲端的情況下做圖片描述、收據結構化擷取、UI 元素分類。

開放策略

Apple 引入了 LanguageModel protocol，讓第三方模型接入同一套框架。Anthropic 已經發布了 Apache-2.0 授權的 Swift 套件，將 Claude 實作為符合該 protocol 的 backend；Google 和 OpenAI 也有對應的整合。開發者可以用相同的 API 呼叫不同 provider 的模型：

// 同一套 API，不同 provider
let session = LanguageModelSession()
let response = try await session.respond(to: "分析這張照片的內容")
// response.tokenUsage — iOS 27 beta 新增的 token 消耗追蹤

開源狀態

Apple 在 Platforms State of the Union 承諾「later this summer」開源 Foundation Models framework，讓同一套 Swift API 可以跑在 server-side。目前框架本身尚未開源，但一個 companion Swift package 已經在 GitHub 以 Apache-2.0 釋出，包含：

Skills API：一個 result builder，讓你把 task-specific 指令即時注入 session transcript，避免 context 汙染
History management modifiers：丟棄已完成的 tool call、滾動視窗、摘要——維持長時間 agentic loop 不超出 context
Chat-completions adapter：把任何支援 chat completions REST API 的 server（包括本機的 MLX-LM Server）接入 Foundation Models 的程式模型

Apple 的 repo 自己標了「emerging and experimental」，API surface 還會變動。

對小型開發者的實質意義

把這件事放到 iOS 開發者的日常來看：

省下來的不只是錢。以 OpenAI GPT-4o 為例，每百萬 output token 約 $10；Claude Sonnet 4 約 $15。一個月活 10 萬的 App 如果每個使用者每天觸發 5 次 AI 功能，光是 API 費用就可能佔掉小型工作室的大部分利潤。Apple 把這個成本壓到零，讓小開發者可以先把功能做出來、驗證 PMF，再擔心規模化的問題。

On-device 適合什麼、不適合什麼。根據目前的能力邊界，on-device 模型適合：structured extraction、classification、嵌入式摘要、tool routing。仍然需要走雲端的場景：long context、agentic loops、frontier reasoning、多圖 vision-language 任務。務實的模式是 hybrid——on-device 做免費離線工作，fallback 到雲端模型處理複雜任務。

但免費額度的邊界模糊。Apple 沒有公開算力上限、rate limit、或每月可用的 token 數。「免費」到底能撐住多少推論量，目前沒有白紙黑字。審核速度也沒有 SLA 保證。這意味著開發者不應該把核心功能完全押在免費額度上，至少要有一條 fallback 路徑。

鎖定效應是真的。一旦 App 的 AI 功能建立在 Foundation Models framework 上，要遷移到其他平台的成本就不低——不只是 API 呼叫方式不同，PCC 的隱私架構也是 App Store 審核和使用者信任的賣點。Apple 給了甜頭，但也在建立護城河。

需要注意的地方

EU 和中國大陸不可用：Apple Intelligence 在 EU 的 iPhone/iPad 和中國大陸初期都不提供。同一支 iPhone，Apple ID 地區不同，能做的事完全不同。開發者必須在程式碼裡處理「Apple Intelligence 不可用」的 fallback 路徑
200 萬下載門檻聽起來很高，但如果 App 爆紅，6 個月過渡期可能不夠完成付費方案的遷移和測試
模型能力上限未知：AFM 3 Cloud Pro 是最強的，但免費額度是否涵蓋 Cloud Pro，還是只限基礎的 AFM 3 Cloud，Apple 沒有明說
沒有第三方 benchmark：Apple 只公布了 vs 自家舊版的偏好評估，沒有 MMLU、SWE-bench 等標準測試。模型在你的特定任務上表現如何，得自己測
框架開源時程未定：「later this summer」是 Apple 的說法，companion package 已經在 GitHub，但核心框架還沒
裝置限制：AFM 3 Core Advanced 只支援最新 Apple silicon（iPhone 15 Pro 以上），較舊裝置只能用 3B 的 AFM 3 Core

整體來說

Apple 用免費 PCC 額度吸引小型開發者進入 AI 功能開發，同時用 Foundation Models framework 建立統一抽象層。技術上最值得關注的是 AFM 3 Core Advanced 的 IFP 稀疏架構——200 億參數跑在手機上，每次只啟動 1–4B，3B 的運算開銷買到 9B 的品質，這是第一個量產出貨的動態稀疏 LLM。

Gemini 在這個家族裡扮演的是 teacher signal 而非 runtime model——Apple 用 Gemini 的輸出做蒸餾精煉，但跑在使用者面前的是 Apple 自己的模型。這個模式正在成為產業常態。

對台灣的獨立開發者來說，這是一條值得嘗試的路：零成本開始、原生 Swift API、隱私保證可以當 App 賣點。但要記住三件事：免費額度的邊界還不清楚、EU/中國不可用是硬限制、以及 Apple 生態的鎖定效應是刻意設計的。最穩健的策略是用 LanguageModel protocol 保留切換 provider 的能力，不要把所有邏輯寫死在 Apple 特有的 API 上。