据外媒报道，苹果公司发布了一篇重要研究论文，详细介绍了其全新的多模态AI模型“Manzano”。该模型的最大亮点在于，能近乎无损地同时实现精准的“视觉理解”与高质量的“文本生成图像”，有望解决行业内长期存在的任务冲突难题。
传统多模态模型在同时处理图像理解与图像生成时，往往因视觉数据处理方式的内在矛盾而被迫做出性能妥协。Manzano通过创新的三段式架构攻克了这一挑战：首先，其“混合视觉分词器”能同步生成连续与离散的视觉表示；接着，大语言模型负责预测图像语义；最后，“扩散解码器”进行精细的像素级渲染。
这种设计使得Manzano不仅能准确理解图像内容，还能根据复杂的文本指令生成高质量图片。在测试中，面对“一只鸟在大象下方飞翔”等反直觉指令，其逻辑准确性与GPT-4o等顶尖模型表现相当。此外，它还能处理深度估计、风格迁移等进阶任务。
研究团队验证了从3亿到300亿参数的不同版本，证实该架构具备良好的扩展性。尽管Manzano目前仍处于研究阶段，尚未集成至具体产品中，但业界普遍认为，这项技术未来很可能被应用于“图乐园”等功能，为用户带来更智能的图像编辑与生成体验，从而增强苹果在端侧AI领域的综合竞争力。
原创文章，作者：柠萌，如若转载，请注明出处：https://www.kejixun.co/article/743720.html
