蘋果公司正在秘密推進一項名為Manzano的圖像模型研發項目，該模型試圖在圖像理解與生成兩大領域實現突破性整合。目前這項研究仍處于實驗室階段，僅通過預印本論文披露了技術框架，并釋放了少量低分辨率演示圖像。
技術文檔顯示，Manzano系統由三大核心模塊構成：負責特征提取的混合分詞器、處理多模態數據的統一語言模型，以及支持動態分辨率的圖像解碼器。其中解碼器特別開發了輕量版、標準版和專業版三種形態，分別對應720P、1080P和4K級輸出能力。訓練階段使用了超過20億組圖文對數據，內部測試表明該模型在處理包含復雜文本的圖像場景時，準確率較同類產品提升37%。
性能曲線分析顯示，Manzano的各項指標隨模型規模擴大呈現顯著提升趨勢，這印證了研發團隊關于"規模效應"的假設。不過蘋果工程師坦承，當前基礎版本在細節渲染精度和語義理解深度上，仍與行業頂尖水平存在15%-20%的差距。他們計劃通過引入三維空間感知模塊和動態注意力機制，在后續版本中彌補這些短板。
這項研究引發了AI領域的廣泛關注。有專家指出，Manzano采用的混合編碼方案可能為多模態大模型開辟新的技術路徑，但其復雜的架構設計也對硬件算力提出了更高要求。蘋果方面表示，該模型未來將優先應用于增強現實和內容創作領域，具體商業化時間表尚未確定。
