2026年1月15日，苹果发表研究论文，介绍新型多模态模型Manzano。该模型融合视觉理解与文本生成图像功能，采用创新三段式架构，通过混合视觉分词器、大语言模型和扩散解码器协同工作，解决传统模型在图像理解与生成间的任务冲突。测试显示，其在3亿至300亿参数规模下均表现优异，能准确处理复杂指令如“鸟在大象下方飞翔”。尽管目前仍处研究阶段，未来有望集成至“图乐园 Image Playground”等功能，提升苹果端侧AI能力。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。