苹果公司近期在研究领域推出了一款名为Manzano的创新图像模型，该模型突破性地实现了图像理解与生成的双重功能。这一技术突破解决了当前众多开源模型面临的重大挑战，使苹果在图像处理领域的效率与效果更接近OpenAI和谷歌等商业技术领导者。尽管Manzano尚未正式发布，也未进行公开演示，但苹果研究团队已通过一篇研究论文分享了部分低分辨率图像样本，直观展示了模型在应对复杂提示时的卓越能力。这些样本与Deepseek Janus Pro（开源模型）、GPT-4o（OpenAI商业系统）以及Gemini2.5Flash Image Generation（谷歌商业系统，又名”Nano Banana”）的输出结果进行了对比。在三项具有挑战性的提示测试中，Manzano的表现与GPT-4o和Nano Banana不相上下。
目前主流开源模型的核心瓶颈在于，它们往往需要在图像分析能力与生成能力之间做出取舍，而商业系统则能同时兼顾这两方面。特别是在处理包含大量文本的任务时，如文件阅读或图表解读，现有模型的表现尤为有限。Manzano的设计巧妙采用了混合图像标记器这一核心理念，使其能够输出连续标记和离散标记两种类型。连续标记以浮点数形式表示图像，用于理解；离散标记则将图像划分为固定类别，便于生成。由于两种标记源自同一编码器，有效避免了传统模型中可能出现的冲突。
在训练阶段，Manzano通过融合连续和离散适配器来优化语言模型的解码器。推理时，模型能够同时提供理解和生成图像所需的两种数据流。其架构主要由三部分构成：混合标记器、统一语言模型以及独立的图像解码器。苹果团队开发了三种不同参数量的图像解码器，分别为0.9亿、1.75亿和3.52亿个参数，支持256至2048像素的分辨率。测试结果表明，Manzano在多个基准测试中表现突出，尤其在处理文本密集型任务如图表和文件分析方面，30亿参数版本的表现尤为亮眼。研究还发现，随着模型参数量从3亿增长至30亿，性能呈现持续提升的趋势。
Manzano不仅能胜任传统的图像编辑任务，还能执行基于提示的编辑、风格迁移、图像填充、扩展和深度估计等创新任务。苹果认为，Manzano是现有模型的理想替代方案，其模块化设计可能对未来多模态人工智能的发展产生深远影响。论文链接：https://arxiv.org/abs/2509.16197
划重点：
🌟 Manzano是一款新型图像模型，能够同时进行图像理解和生成
🔍 苹果研究表明，Manzano在处理复杂文本任务时表现优异，接近商业系统水平
⚙️ 该模型采用混合图像标记器，有效减少图像理解与生成之间的冲突