実際に動かせる Apple の AI モデル

FastViTHD エンコーダを備えた視覚言語モデル。0.5B はブラウザで動作。

1枚の画像からメトリック深度と焦点距離を推定。深度マップ生成ツールを駆動。

低遅延の画像テキストエンコーダ。ゼロショット分類と類似度ツール。

PyTorch・JAX・MLX 対応のオープン視覚エンコーダ（0.3B〜2.7B）。

1枚の写真から3D Gaussian を生成し、1秒未満で近傍視点を描画。

1枚のオブジェクト画像から再照明可能な PBR Gaussian とテクスチャ付きメッシュを生成。

画像・動画・統合マルチモーダル生成のためのスケーラブルな正規化フロー。

コード生成向けの 7B マスク拡散言語モデル。

連続潜在推論で検索と生成をつなぐモデル。

コード生成を改善する極めてシンプルな自己蒸留（Apple Research）。

Apple Intelligence を支える AFM 3 Core、Core Advanced、Private Cloud Compute モデル。

オンデバイス LLM セッション、構造化生成、ツール、マルチモーダルプロンプトのための Swift / Python API。