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。但苹果的研推出究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-4新图o、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 O像模penAI 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型 ,而商业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Ma心理念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nz自同一个编码器,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an两个数据流。Manzano 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0o .9亿、1.75亿和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实现表和文件分析方面,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,理解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与生态 AI 产生深远影响。 论文:https://arxiv.org/abs/2509.16197 划重点: Manzano 是一种新型图像模型成双,能够同时进行图像理解和生成。 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。 &nbs重能p; ️ 该模型采用混合图像标记器,减少了图像理解与生成之间的冲突。
- 最近发表
- 随机阅读
-
- 云计算开发:Python内置函数-sum() 函数详解
- 消息称Meta在洽谈筹集350亿美元资金 用于打造数据中心
- 云安全日报220623:红帽数据库管理系统发现执行任意代码漏洞,需要尽快升级
- 标签: Anthropic Claude GIC 红杉资本
- 标签: 微软 纳德拉 动视暴雪 游戏业务
- 超过 70% 美国民众对 AI 的未来忧虑:就业与人际关系面临挑战
- 杰夫·贝佐斯:人类有望在未来10至20年内在太空建造千兆瓦级数据中心
- 从视频片段中推断楼层平面图 新AI研究令人大开眼界
- SAS收购英国Boemska公司,旨在加速人工智能在云计算方面的努力
- 一台二手苹果手机被拍卖,引来98人959次加价才分出胜负
- LayerX 获 1 亿美元融资,借助 AI 技术助力日本企业减轻后台工作负担
- 标签: 大晓机器人 ACE研发范式 开悟世界模型3.0 具身超级大脑A1
- 马云现身阿里日现场,前往“湖畔小屋”再看创业之地
- 阿里云李飞飞:云数据库加速迈向智能化
- 谷歌Robotics研究科学家:记住5个问题,快速理解ML论文要点
- 我把公众号“吃灰”文章喂给AI,结果效率翻倍!
- LTTS 与西门子携手推进智能制造与工艺工程的 AI 转型
- 标签: 京东 王佳琦 黄浩洋 JoyAI-VL JoyAI-Image
- 因虚假指控,谷歌AI Studio撤回 Gemma AI 模型
- 标签: 阿里巴巴 蔡崇信 马云 首席财务官
- 搜索
-
- 友情链接