重磅！苹果推出Manzano图像模型，兼具理解与生成能力，自主化进程加速

苹果正在研发一款名为Manzano的新图像模型，尽管尚未正式发布，但已通过预印本论文展示了一些初步成果。该模型兼具图像理解和生成能力，在内部测试中表现卓越。苹果认为，Manzano有潜力推动多模态AI的发展，但其能否减少对外部模型的依赖仍有待验证。

Manzano的研发进展与现状

目前，Manzano尚未正式发布，也没有提供演示Demo。只有一篇作者绝大多数为华人（包括已跳槽到Meta的庞若鸣）的预印本论文，展示了部分低分辨率图像样例，涵盖了较复杂的提示场景。

Manzano的功能特性与优势

Manzano的目标是同时具备图像理解和图像生成的能力。苹果指出，这种双重功能长期以来一直是技术挑战，许多开源模型在综合表现上落后于OpenAI和Google等商业系统。Manzano采用混合图像分词器，其共享编码器可以输出连续标记（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）。由于这两种标记源自同一编码器，任务冲突显著减少。在与DeepSeek Janus Pro等AI模型的对比中，Manzano的表现不逊于OpenAI GPT-4o和谷歌的Gemini 2.5 Flash Image Generation。

Manzano的架构与训练

Manzano的整体架构包括混合分词器、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。

Manzano的测试表现

在内部测试中，Manzano在ScienceQA、MMMU和MathVista等基准上表现优异，特别是在图表和文档分析等文字密集型任务中，300亿参数版本的成绩尤为突出。扩展测试显示，模型性能随着规模的提升而持续改善，例如30亿参数版本在某些任务中的得分比最小模型高出10分以上。将统一模型与专业化系统进行对比，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同样表现出色，能够执行复杂指令、风格迁移、图像叠加与深度估计等任务。

Manzano的潜力与局限性

苹果认为，Manzano是现有模型的有力替代方案，其模块化设计支持各部分独立更新，并借鉴了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。然而，目前苹果的基础模型整体仍落后于行业领先者。即使推出了新的端侧AI框架，苹果仍计划在iOS 26的Apple Intelligence中引入OpenAI GPT-5。Manzano虽然展示了技术上的进展，但其能否减少对外部模型的依赖，还需通过未来版本进一步验证。