苹果自研AI模型Manzano亮相，多模态能力媲美GPT-4o

据最新消息，苹果公司正秘密研发代号为"Manzano"的新型图像AI模型。这一创新技术将突破性地实现图像识别与生成的双重能力，标志着苹果在人工智能领域的重要布局。

目前该项目仍处于研发阶段，仅有一份主要由华人学者参与的预研论文披露（包括已转投Meta的研究员庞若鸣）。论文中展示了部分概念验证图像，分辨率虽低但能处理复杂指令场景。

苹果技术团队坦言，这种双重能力的融合一直是业内技术瓶颈，导致多数开源模型在整体性能上逊色于OpenAI和Google的商业化产品。

内部测试数据显示，Manzano的表现已与GPT-4o、Gemini 2.5等业界标杆旗鼓相当，甚至在某些场景下超越DeepSeek Janus Pro等专业模型。

研究人员发现，现有AI模型普遍存在"偏科"现象：专精分析的模型生成能力弱，擅长创作的模型理解能力差。特别在处理含大量文字的图像（如文档、图表）时表现欠佳。其症结在于传统架构难以同时优化连续型理解和离散型生成两种处理模式。

Manzano创新性地采用混合分词方案：共享编码器可同步输出用于理解的浮点标记和用于生成的分类标记。这种同源异构设计大幅降低了任务冲突概率。

系统采用三层架构：混合分词器+统一语言模型+独立图像解码器。解码器研发了9亿/17.5亿/35.2亿参数三个版本，最高支持4K级图像处理。

训练过程分为三阶段，累计消耗23亿图文数据集和10亿文图数据集，处理标记量达1.6万亿。部分训练素材来自DALL-E3和ShareGPT-4o生成的合成数据。

性能测试显示，300亿参数版本在ScienceQA等专业评测中表现亮眼，图表解析能力尤为突出。模型呈现明显的规模效应，大版本在部分任务中领先小版本超过10个百分点。

在垂直领域对比测试中，Manzano与专用系统的差距控制在5%以内。图像生成方面同样表现出色，可完成风格转换、景深模拟等高阶创意任务。

虽然Manzano展示了模块化设计的优势，为多模态AI发展提供了新思路，但苹果整体AI实力仍与头部企业存在差距。即使推出新框架，iOS 26仍计划集成GPT-5。这套自主技术能否真正改变苹果的AI战略，还需时间检验。