最新 1 月 15 日消息，科技媒体 Appleinsider 今天（1 月 15 日）发布博文，报道称苹果发表重磅研究论文，详细介绍了名为“Manzano”的多模态模型，融合“视觉理解”与“文本生成图像”两大功能。

该模型最大的创新在于“双修”：它不仅能像人类一样精准理解图像内容（视觉理解），还能根据文本描述生成高质量图片（图像生成）。

行业内此前仅有少数模型能同时兼顾这两项任务，且往往需要在画质与理解力之间做出妥协，研究人员指出，核心矛盾在于“视觉分词”的方式不同。

简单来说，AI 进行“图像理解”时喜欢连续的数据流（类似看视频），而进行“图像生成”时则更依赖离散的数据块（类似拼图）。传统模型强行让同一个大脑处理这两种截然不同的信号，往往会导致严重的任务冲突，要么“看得懂但画不出”，要么“画得好但理解偏”。

Manzano 为了解决这一难题，引入了一种创新的三段式架构：

• 首先，它使用“混合视觉分词器”同时生成连续和离散的视觉表示；

• 接着，利用大语言模型（LLM）预测图像的语义内容；

• 最后，将这些预测结果交给“扩散解码器”进行像素级渲染。

这种设计让 Manzano 既保留了强大的理解能力，又具备了精细的绘图能力，甚至能处理深度估计、风格迁移和图像修复等复杂任务。

测试数据显示，Manzano 在处理反直觉、违背物理常识的复杂指令时表现惊人。例如，当要求生成“一只鸟在大象下方飞翔”的画面时，Manzano 的逻辑准确性与 OpenAI 的 GPT-4o 以及谷歌的 Nano Banana 模型旗鼓相当。

研究团队测试了从 3 亿到 300 亿（30B）参数的不同版本，证实了该架构在模型规模扩大时依然能保持高效的性能提升。

虽然 Manzano 目前仍处于研究阶段，尚未直接应用于 iPhone 或 Mac 设备，但这表明苹果正在构建更强大的底层 AI 能力。

该媒体认为这项技术极有可能会被整合进未来的“图乐园 Image Playground”功能中，为用户带来更智能的修图体验和更具想象力的画面生成能力，进一步巩固苹果在端侧 AI 领域的竞争力。

最新附上参考地址

• MANZANO: A Simple and Scalable Unified Multimodal Model with a Hybrid Vision Tokenizer