苹果探索自研多模态 AI 大模型 Manzano：兼具理解与生成能力

IT之家 9 月 27 日消息，苹果正在研发一款名为 Manzano 的新图像模型，旨在同时具备图像理解与图像生成两大能力。

不过目前 Manzano 尚未正式发布，也没有演示 Demo，只有一篇作者绝大多数都是华人的预印本论文（包括已经跳槽到 Meta 的庞若鸣），还展示了部分低分辨率图像样例，涵盖较复杂的提示场景。

苹果表示，这一双重功能长期以来是技术难点，使得大多数开源模型在综合表现上落后于 OpenAI 和 Google 等商业系统。

苹果将其与 DeepSeek Janus Pro 等 AI 模型进行了对比，结果显示 Manzano 不弱于 OpenAI GPT-4o 和谷歌的 Gemini 2.5 Flash Image Generation（IT之家注：原代号 Nano Banana）。

苹果指出，大多数开源模型在图像处理上存在取舍：要么擅长图像分析，要么擅长图像生成，而商业系统通常能兼顾。尤其在涉及大量文本的任务（如文档阅读、图表解读）时，现有模型表现不佳。问题根源在于图像处理方式：连续数据流更适合理解，而离散符号则更适合生成，多数模型为这两类任务分配不同工具，易引发冲突。

为此，Manzano 采用了混合图像分词器。其共享编码器可输出两类标记：连续标记（用于图像理解，以浮点数形式表达）和离散标记（用于图像生成，按固定类别划分）。由于二者源自同一编码器，因此其任务冲突显著减少。

Manzano 的整体架构包括三部分：混合分词器、统一语言模型，以及独立的图像解码器。苹果为解码器构建了三个版本，参数规模分别为 9 亿、17.5 亿和 35.2 亿，支持 256 像素至 2048 像素分辨率。

训练过程分为三个阶段，使用 23 亿对图像-文本样本（来自公开和内部数据），以及 10 亿对文本-图像样本，总计处理 1.6 万亿标记。部分训练数据来自合成生成，如 DALL-E3 和 ShareGPT-4o。

在内部测试中，Manzano 在 ScienceQA、MMMU 和 MathVista 等基准上表现优异，尤其在图表和文档分析等文字密集型任务中，300 亿参数版本成绩突出。扩展测试显示，模型性能随规模提升而持续改善，例如 30 亿参数版本在部分任务中比最小模型高出 10 分以上。

苹果还将统一模型与专业化系统对比，差距仅为个位数分值：在 30 亿参数版本中，差距不到 1 分。在图像生成测试中，Manzano 亦接近前列，可执行复杂指令、风格迁移、图像叠加与深度估计等任务。

苹果认为，Manzano 是现有模型的有力替代方案，其模块化设计可支持各部分独立更新，并借鉴不同研究领域的训练方法，有潜力推动未来多模态 AI 的发展。

不过，目前苹果的基础模型整体仍落后于行业领先者。即便推出新的端侧 AI 框架，苹果仍计划在 iOS 26 的 Apple Intelligence 中引入 OpenAI GPT-5。Manzano 展示了技术上的进展，但是否能减少对外部模型的依赖，还需未来版本进一步验证。