9 月 27 日消息，蘋果正在研發一款名為 Manzano 的新圖像模型，旨在同時具備圖像理解與圖像生成兩大能力。

不過目前 Manzano 尚未正式發布，也沒有演示 Demo，只有一篇作者絕大多數都是華人的預印本論文（包括已經跳槽到 Meta 的龐若鳴），還展示了部分低分辨率圖像樣例，涵蓋較復雜的提示場景。

蘋果表示，這一雙重功能長期以來是技術難點，使得大多數開源模型在綜合表現上落后于 OpenAI 和 Google 等商業系統。

蘋果將其與 DeepSeek Janus Pro 等 AI 模型進行了對比，結果顯示 Manzano 不弱于 OpenAI GPT-4o 和谷歌的 Gemini 2.5 Flash Image Generation（IT之家注：原代號 Nano Banana）。

蘋果指出，大多數開源模型在圖像處理上存在取舍：要么擅長圖像分析，要么擅長圖像生成，而商業系統通常能兼顧。尤其在涉及大量文本的任務（如文檔閱讀、圖表解讀）時，現有模型表現不佳。問題根源在于圖像處理方式：連續數據流更適合理解，而離散符號則更適合生成，多數模型為這兩類任務分配不同工具，易引發沖突。

為此，Manzano 采用了混合圖像分詞器。其共享編碼器可輸出兩類標記：連續標記（用于圖像理解，以浮點數形式表達）和離散標記（用于圖像生成，按固定類別劃分）。由于二者源自同一編碼器，因此其任務沖突顯著減少。

Manzano 的整體架構包括三部分：混合分詞器、統一語言模型，以及獨立的圖像解碼器。蘋果為解碼器構建了三個版本，參數規模分別為 9 億、17.5 億和 35.2 億，支持 256 像素至 2048 像素分辨率。

訓練過程分為三個階段，使用 23 億對圖像-文本樣本（來自公開和內部數據），以及 10 億對文本-圖像樣本，總計處理 1.6 萬億標記。部分訓練數據來自合成生成，如 DALL-E3 和 ShareGPT-4o。

在內部測試中，Manzano 在 ScienceQA、MMMU 和 MathVista 等基準上表現優異，尤其在圖表和文檔分析等文字密集型任務中，300 億參數版本成績突出。擴展測試顯示，模型性能隨規模提升而持續改善，例如 30 億參數版本在部分任務中比最小模型高出 10 分以上。

蘋果還將統一模型與專業化系統對比，差距僅為個位數分值：在 30 億參數版本中，差距不到 1 分。在圖像生成測試中，Manzano 亦接近前列，可執行復雜指令、風格遷移、圖像疊加與深度估計等任務。

蘋果認為，Manzano 是現有模型的有力替代方案，其模塊化設計可支持各部分獨立更新，并借鑒不同研究領域的訓練方法，有潛力推動未來多模態 AI 的發展。

不過，目前蘋果的基礎模型整體仍落后于行業領先者。即便推出新的端側 AI 框架，蘋果仍計劃在 iOS 26 的 Apple Intelligence 中引入 OpenAI GPT-5。Manzano 展示了技術上的進展，但是否能減少對外部模型的依賴，還需未來版本進一步驗證。