苹果推出新图像模型 Manzano 实现理解与生成双重能力
苹果公司最近在其研究中介绍了一种名为 Manzano 的新型图像模型,该模型旨在同时处理图像理解和生成。这一双重能力的实现是当前许多开源模型面临的技术难题,苹果而苹果表示,这使其在图像处理的效率和效果上更接近商业系统,如 OpenAI 和谷歌所提供的技术。 目前,Manzano 尚未对外发布,也没有进行公开演示。但苹果的研究推出团队分享了一篇研究论文,附带了一些低分辨率的图像样本,展示了模型在处理复杂提示时的能力。这些样本与开源模型 Deepseek Janus Pro 和商业系统 GPT-新图4o、Gemini2.5Flash Image Generation(又名 “Nano Banana”)的输出进行了对比。在三组挑战性提示的测试中,Manzano 的表现与像模 OpenAI 的 GPT-4o 和谷歌的 Nano Banana 相当。 苹果指出,目前大多数开源模型的核心限制在于,它们往往需要在强大的图像分析和生成能力之间进行选择,而商业型 系统则能够两者兼顾。尤其是在处理包含大量文本的任务时,如阅读文件或解读图表,现有模型表现尤为乏力。 Manzano 的设计采用了一种混合图像标记器,这一核心理念Ma使其能够输出两种类型的标记:连续标记和离散标记。连续标记用浮点数表示图像,用于理解,而离散标记则将图像划分为固定类别,以便于生成。由于两种标记都来自同一个编码nz器,这减少了传统模型中可能出现的冲突。 在训练阶段,Manzano 融合了连续和离散适配器来调整语言模型的解码器。推理时,它提供了理解和生成图像所需的两个数据流。anManzano 的架构主要由三部分组成:混合标记器、统一语言模型和用于最终输出的独立图像解码器。苹果构建了三种不同参数量的图像解码器,分别为0.9亿、1.o 75亿和3.52亿个参数,支持256到2048像素的分辨率。 苹果的测试结果显示,Manzano 在多个基准测试中表现优异,特别是在处理文本密集型任务如图表和实现文件分析方面,30亿参数版本的得分尤为突出。研究还发现,随着模型参数量从3亿到30亿增加,性能持续改善。 Manzano 不仅能处理经典的图像编辑任务,还能执行理解基于提示的编辑、风格迁移、图像填充、扩展和深度估计等新任务。苹果认为,Manzano 是现有模型的一个可行替代方案,其模块化设计可能会对未来的多模态 AI 产与生生深远影响。 论文:https://arxiv.org/abs/2509.16197 划重点: Manzano 是一种新型图像模型,能够同时进行图成双像理解和生成。 苹果的研究显示,Manzano 在处理复杂文本任务时表现优异,接近商业系统的水平。 ️ 该模型采重能用混合图像标记器,减少了图像理解与生成之间的冲突。
- 最近发表
- 随机阅读
-
- 技术、行业与伙伴:做厚算力“黑土地”为基,华为云再筑AI新生态
- AI澶嶆椿锛佺敤GPT-3澶嶅埢閫濆幓鏈��濡伙紝缇庡浗灏忓摜璁╂寶鐖变互鏁板瓧褰㈡€佹案鐢�
- 销毁数百万件未售出商品被指“浪费” 亚马逊推出两项新“节约”计划
- 1秒内精确估算,人工智能地震监测系统问世
- 亚马逊关闭其早期在线杂货项目Prime Pantry
- Meta发布Horizon Hyperscape Capture工具,Quest3用户可创建照片级VR场景
- 如何选择容器注册表,这里给出九个选项 译文
- 为遵守印度IT新规 Twitter印度任命一名首席合规官
- 标签: 伊戈尔 A+H股 新能源 变压设备
- 谷歌、FB等签署新倡议承诺积极缴税,亚马逊、苹果缺席
- 标签: 腾讯云 元宝派 OpenClaw 龙虾Bot
- 标签: 地平线 宁德时代 朱威 陈黎明
- 标签: 华为 Atlas 950 SuperPoD TaiShan 灵衢 MWC2026
- “像素蛋糕”AI修图软件宣布核心功能永久免费
- 亚马逊发布年度可持续报告:2020年碳排放逆势增长19%
- 牙签搅水缸是什么梗
- 标签: 西贝 罗永浩 贾国龙 餐饮
- 大数据及AI智能应用提供商“数说故事”宣布战略并购考古加
- 阿里云宣布Qwen2开源 性能超美国开源模型Llama3
- 标签: 法拉第未来 FFEAI机器人 红杉教育 贾跃亭
- 搜索
-
- 友情链接