# 苹果发布Manzano多模态模型：图像理解与生成的统一架构，解析混合视觉分词器与扩散解码器技术

- Link: https://paooo.com/aigc-news/13422/
- Published: 2026-06-19T23:42:22+08:00
- Author: Prompt 语宙研究院

> **💡 站外导读：**当前多模态AI发展面临理解与生成能力割裂的瓶颈。苹果公司最新推出
> 的Manzano模型，旨在通过一个统一的架构，同时精通图像理解与高质量图像生成。其核心
> 创新在于混合视觉分词器，将图像转化为适用于不同任务的连续嵌入和离散标记，并结合
> 自回归与扩散解码器。这不仅简化了模型架构，更可能成为下一代通用多模态模型的范式，
> 对从创意设计到专业诊断等多个行业产生深远影响。

## Manzano是什么

Manzano是苹果公司推出的新型多模态大语言模型（LLM），能同时实现图像理解和[图像生成](https://ai-bot.cn/best-ai-image-generators/)
的统一。模型通过混合视觉分词器（hybrid vision tokenizer）将图像转化为连续的嵌入向量
用于理解任务，及离散的图像标记用在生成任务。Manzano的核心是自回归的LLM解码器，能
预测文本和图像标记。Manzano配备一个扩散解码器（diffusion decoder），用在将生成的
图像标记转化为像素级别的图像。使Manzano在理解任务和生成任务上都表现出色，同时在模型
规模扩大时，性能会相应提升。

阅读目录

 * [Manzano是什么](https://paooo.com/aigc-news/13422/#manzano%e6%98%af%e4%bb%80%e4%b9%88)
 * [Manzano的主要功能](https://paooo.com/aigc-news/13422/#manzano%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [Manzano的技术原理](https://paooo.com/aigc-news/13422/#manzano%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [Manzano的项目地址](https://paooo.com/aigc-news/13422/#manzano%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [Manzano的应用场景](https://paooo.com/aigc-news/13422/#manzano%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/aigc-news/13422/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

![Manzano](https://paooo.com/wp-content/uploads/2026/05/Manzano-website-1.avif)

## Manzano的主要功能

 * **图像理解**：模型能理解图像内容，回答与图像相关的问题。
 * **图像生成**：根据文本提示生成高质量的图像。模型支持复杂的文本指令，能生成具有
   创意和细节的图像。
 * **图像编辑**：支持基于文本指令的图像编辑，包括风格转换、局部修改、内容扩展等。
 * **多模态交互**：结合文本和图像信息，支持复杂的多模态任务，如图文混合的问答和创作。

## Manzano的技术原理

 * **混合视觉分词器（Hybrid Vision Tokenizer）**：
    - **连续嵌入**：用在图像理解任务，将图像编码为连续的嵌入向量，保留丰富的语义
      信息。
    - **离散标记**：用在图像生成任务，将图像编码为离散的标记，便于自回归生成。
 * **自回归LLM解码器（Autoregressive LLM Decoder）**：统一处理文本和图像标记，预测
   下一个标记（无论是文本还是图像）。模型支持多模态任务的联合学习，能同时处理理解
   任务和生成任务。
 * **扩散解码器（Diffusion Decoder）**：将生成的离散图像标记转化为像素级别的图像。
   用扩散模型的强大生成能力，确保生成图像的高质量和细节。
 * **统一训练框架（Unified Training Framework）**：在大规模文本和图像数据上进行预
   训练，学习通用的语言和视觉表示。模型在高质量的数据子集上进一步训练，提升模型性能。
   在特定任务的数据上进行微调，增强模型在具体任务上的表现。

## Manzano的项目地址

 * **arXiv技术论文**：https://arxiv.org/pdf/2509.16197

## Manzano的应用场景

 * **图像理解**：用在视觉问答（VQA）任务，帮助医生快速准确地理解图像内容、回答相关
   问题，辅助诊断。
 * **图像生成**：在创意设计领域，根据设计师提供的文本描述生成高质量的图像，为广告
   设计、游戏美术等提供灵感和素材。
 * **图像编辑**：对于内容创作者，模型基于文本指令对图像进行编辑，如风格转换、局部
   修改等，快速实现创意效果。
 * **文档理解**：在文档处理场景中，模型能理解文档中的图像内容，辅助进行文档内容的
   提取、分析和问答，提高办公
 * **多模态交互**：在智能教育场景中，结合文本和图像信息，为学生提供更直观、生动的
   学习体验，例如通过图像解释复杂的科学概念。

#### 📝 站长洞察 (Editor’s Insight)

苹果发布Manzano，绝非一次简单的模型迭代，而是其在AI基础架构层面一次清晰的‘范式宣言’。
在谷歌、[OpenAI](https://paooo.com/tag/openai/)等巨头分别强调生成或理解的赛道上，
苹果选择了一条更具野心的道路：用统一的自回归骨干网络融合两者。这背后是‘一个模型处理
所有模态任务’的终极愿景。混合视觉分词器是关键创新，它像一位翻译官，将图像同时‘翻译’
成理解和生成所需的不同‘语言’。结合扩散解码器保障生成质量，Manzano展现了苹果对‘高效、
优雅、统一’工程哲学的坚持。这不仅将刺激多模态领域的技术竞赛，更预示着未来应用生态
的巨变——从需要分别调用不同AI服务的繁琐流程，进化到由一个智能体无缝完成所有视觉任务。
苹果正试图定义下一代人机交互的底层逻辑。

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/13422/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)