最近、テクノロジーメディアのAppleinsiderは、最新のマルチモーダルAIモデル「Manzano」について紹介する研究論文を発表しました。このモデルは、「視覚」と「テキストから画像生成」の2つの機能を統合しており、AI技術における新たな大きな進歩を示しています。

「Manzano」のコア的なイノベーションはその「二重修得」能力にあります。これは、人間のように画像の内容を正確に理解し、テキストに基づいて高品質な画像を生成できるというものです。この技術の前進は業界にとって非常に注目すべきものであり、両方の要件を同時に満たすモデルは珍しく、現存するモデルは画質や理解力の面で妥協を強いられていることが多かったのです。

image.png

この課題を克服するために、Manzanoは三段階構造を採用しています。まず、連続的および離散的な視覚表現を同時に生成できる「ミキサー」が導入されています。次に、強力な大規模言語モデル（LLM）が画像の意味内容を予測し、さらに「拡散デコーダー」によってピクセル単位の設計が行われます。この設計により、Manzanoは画像生成において優れた性能を発揮し、深さ推定やスタイル移動、画像修復などの複雑なタスクにも対応できます。

データによると、Manzanoは反直感的で物理的常識に反する複雑な指示に対しても非常に優れたパフォーマンスを示します。例えば、「鳥が大きな下で飛んでいる」ようなシーンを生成する際には、Manzanoの論理的正確性はOpenAIのGPT4oやグーグルのNano Bananaモデルと同等です。研究チームはさまざまなパラメータバージョンのモデルをテストした結果、モデルの規模が大きくなるにつれてパフォーマンスが顕著に向上することが確認されました。

現在、Manzanoはまだ研究段階にあり、iPhoneやMac機器への直接的な応用はされていませんが、これはアップルがより強力な基盤を構築しようとする意欲を示しています。今後、業界関係者はManzano技術がアップルが発表予定の「Image Playground」機能に組み込まれる可能性が高いと見ています。これにより、ユーザーはよりスマートな画像編集体験や想像力を刺激する画像生成能力を享受でき、アップルがエッジAI分野での競争力をさらに強化することになります。