BETA
CONTÊINERES NATIVOS PARA APPLE SILICON

O Docker que o Mac estava esperando.

Compile apps Apple e rode IA na GPU de um Mac mini M4 — sem máquina virtual, sem emulação, com o macOS de verdade.

🔥

GPU nativaPyTorch (MPS) e MLX usando a GPU e a memória unificada do chip.

🛠️

Xcode em contêinerEnvie o .zip do projeto e receba o .dmg ou .ipa assinado com o seu certificado.

⚡

Contêiner em ~130 msCada job nasce de um clone APFS da imagem.

🔒

Isolado por padrãoSandbox do macOS, usuário de serviço próprio e rede bloqueada durante o job.

Entrar no MacDocker

Use a mesma conta do cadastro. Ainda não tem conta? Crie a sua.

Carregando…

Criar conta

Escolha como quer começar. O login é pelo GitHub, Google ou Apple: não criamos senha.

🧪Modo de desenvolvimento. Nenhum provedor OAuth está configurado: os botões criam uma sessão local de teste.

O código enviado roda isolado e é apagado ao fim da retenção. Certificados de assinatura são destruídos ao fim de cada build.

GPU NATIVA

Sua GPU M4, dentro do contêiner.

O Docker no Mac roda uma VM Linux — e a VM não enxerga a Metal. Aqui o PyTorch (MPS) e o MLX falam direto com a GPU e a memória unificada.

DOCKER NO MACCPU numa VM Linux.
Sem Metal, sem MPS.
MACDOCKERGPU Apple Silicon no job,
dentro do sandbox.
app.macdocker.com:8000/app/#/containers/treino-mnist-gpu/stats
Aba Stats de um contêiner de treino na GPU: CPU média de 8%, pico de memória de 1,4 GB (inclui a GPU), 2 processos e 1 min 39 s de duração.
treino_gpu.py · python-torch:3 · saída do contêiner
PyTorch 2.14.0 | dispositivo: mps | MPS disponível: True

PyTorch e MLX na GPU do Apple Silicon. Criar conta →

XCODE EM CONTÊINER

Compile apps Apple num contêiner. Sim, agora dá.

Suba o .zip do projeto e receba o .dmg ou .ipa assinado com o seu certificado. Linux não roda Xcode — o MacDocker roda macOS de verdade.

✓ Aurora.dmg pronto em 21 s · app de exemplo
app.macdocker.com:8000/app/#/builds
Tela Builds do painel: build Aurora concluído com a imagem xcode:26.5, em 21 s, gerando Aurora.dmg de 22 KB, disponível por 30 dias.
Compilação em sandbox, sem redePacotes Swift resolvidos em fase isoladaSeu certificado, seu app

Builds de macOS e iOS assinados com o seu certificado. Criar conta →

ISOLAMENTO E LIMITES

Isolado de verdade. Rápido de verdade.

app.macdocker.com:8000/app/#/containers/treino-mnist-gpu/inspect
Aba Inspect de um contêiner: tempo máximo de 1 h, memória de 8 GB incluindo a GPU, 64 processos, rede bloqueada, duração de 1 min 35 s e pico de memória de 1,4 GB.
Sandbox

Seatbelt do macOS em cada job, com usuário de serviço próprio

Sem rede

Rede bloqueada durante a execução

Watchdog

Memória (inclui a GPU), processos e tempo com teto

~130 ms

Contêiner nasce de um clone APFS copy-on-write

Cada cliente em sua conta de serviço, tudo auditado em log encadeado — e sem o custo de uma VM por job.

Cada job isolado, sem o custo de uma VM. Criar conta →

ROADMAP

O melhor ainda vem aí.

  • ⚙️

    Runner para GitHub ActionsCI em contêineres MacDocker

  • 🖥️

    Vários Macs, um só painelEscala multinó

  • 🎬

    ffmpeg + VideoToolboxRenderize vídeo com hardware

  • 🧠

    python-mlx-lmLLMs locais na GPU, com MLX

  • 🔏

    Notarização automáticaSeu app pronto para o Gatekeeper

  • 📦

    Monte o seu próprio nóAssistente de instalação + imagens assinadas

app.macdocker.com:8000/app
Hub do painel com as imagens disponíveis (python-torch, python-mlx e xcode) e as que vêm em breve: python-transformers, xcode 26.4 e ffmpeg-videotoolbox. EM BREVE EM BREVE EM BREVE

Quem entra no beta ajuda a escolher o que vem primeiro. Pedir acesso ao beta →

PLANOS

Escolha como começar

Beta tester e trial são gratuitos. Segurança não muda de plano: todos rodam isolados, sem rede durante o job, e as credenciais de assinatura são apagadas ao fim de cada build.

Arraste a tabela para o lado para ver Trial, Individual e Corporativo →

Carregando…

* Os planos Individual e Corporativo ainda não estão à venda: eles só serão comercializados ao fim do período de beta test, e os valores acima são previstos, podendo mudar até o lançamento. Se quiser ser avisado, inscreva-se na lista de espera para o lançamento.

† Tokens ponderados: um token de saída vale o número de bilhões de parâmetros do modelo e um de entrada, um quarto disso (o Qwen3-4B gasta 4 por token gerado; o Qwen2.5-0.5B, 0,5). Separados dos minutos de uso.