苹果推出多模态新模型 Manzano：打通“看图”与“做图”的界限

在 AI 领域，一个难题一直存在：让模型既能“看懂图片”又能“高质量出图”很难同时做到。通常，擅长视觉理解的模型在从零创作精美图片时表现一般；而擅长生成的模型，又常在细致分析图片内容上显得乏力。如今，苹果公司最新发布的研究论文带来多模态模型“Manzano”，意在正面解决这个痛点。

Manzano 的核心亮点是它的“二合一”设计。研究团队指出，视觉理解偏好连续型数据，而图像生成依赖离散化表示，导致单一模型难以两头兼顾。为此，Manzano 引入“混合视觉分词器”，可同时输出连续与离散两类视觉表征；接着由大语言模型推断图像语义，最后用扩散式解码器进行像素级的精细还原。

在多项测试中，Manzano 展现出强劲的逻辑与空间理解力。即使面对如“一只鸟在大象下方飞翔”这类反常识的复杂指令，它的效果也不输 GPT-4o 等顶尖模型。此外，该模型不仅能画图，还能完成深度估计、风格迁移、图像修复等多种任务。

虽然 Manzano 目前仍处于研究阶段，但 AIbase 认为，这项底层技术的成熟，意味着苹果未来的 AI 功能会更加强悍。它很可能被整合进苹果的“图乐园”（Image Playground）等工具，为用户带来更聪明、更有创意的图像玩法。

项目:https://machinelearning.apple.com/research/manzano

划重点:

• 👁️ 全能架构: Manzano采用创新的三阶段设计，把“视觉理解”与“图像生成”顺畅结合，缓解传统模型两项能力互相牵制的问题。

• 🧠 逻辑领先: 处理反直觉、复杂空间关系的指令时，Manzano 的逻辑准确性已达行业顶尖水平，表现可与GPT-4o等主流模型比肩。

• 🚀 潜力巨大: 支持从3亿到300亿参数的灵活扩展，未来有望显著提升 iPhone 和 Mac 等端侧设备的 AI 绘图与修图能力。