蘋果公司正在秘密開發一款名為Manzano的新型多模態圖像模型，該模型將圖像理解與生成能力整合于同一架構中。這一突破性設計旨在解決當前開源模型普遍存在的功能割裂問題——多數系統只能專注于分析或創作中的單一方向，而無法同時兼顧兩者。

研發團隊在預印本論文中披露，現有技術路線存在根本性矛盾：連續數據流更適合語義解析，離散符號系統則擅長內容生成。當模型同時處理兩類任務時，不同工具鏈之間的沖突會導致性能下降。蘋果通過創新性的混合分詞器架構，成功化解了這一技術瓶頸。

該模型的核心創新在于共享編碼器設計。系統在處理圖像時，會同步輸出兩種標記類型：連續浮點標記用于深度理解任務，離散分類標記支持創意生成。這種雙重標記機制使模型在文檔解析、圖表分析等文字密集型場景中表現突出，在內部測試的ScienceQA等基準測試中，300億參數版本創造了新的成績紀錄。

架構設計方面，Manzano采用三段式結構：前端混合分詞器負責數據預處理，中間統一語言模型進行多模態推理，后端獨立解碼器完成圖像輸出。蘋果特別開發了9億、17.5億和35.2億三種參數規模的解碼器，支持從256像素到2048像素的分辨率輸出，滿足不同應用場景需求。

訓練過程采用三階段漸進式策略，共消耗23億對圖文訓練樣本和10億對文本圖像樣本，累計處理1.6萬億標記。值得注意的是，訓練數據中包含來自DALL-E3和ShareGPT-4o等模型的合成數據，這種跨系統數據融合策略顯著提升了模型的泛化能力。

性能對比測試顯示，Manzano在多模態綜合能力上已接近商業系統水平。在30億參數規模下，與專業系統的差距控制在1分以內。圖像生成測試中，模型展現出復雜指令執行、風格遷移、多圖層合成等高級能力，特別是在包含大量文本的圖像場景中表現優異。

模塊化設計是該系統的另一大亮點。各組件可獨立升級優化，這種靈活性使模型能快速吸收計算機視覺、自然語言處理等不同領域的研究成果。蘋果工程師透露，這種設計為未來多模態AI的演進提供了可擴展的技術框架。

盡管取得技術突破，蘋果在基礎模型領域仍面臨挑戰。當前系統整體性能與行業領先者存在差距，即便在新一代端側AI框架部署后，iOS 26的Apple Intelligence仍計劃集成OpenAI GPT-5。Manzano的推出更多是技術儲備的展示，其對外部模型的替代效果仍有待后續版本驗證。