アップル社はHugging Face上で、昨年の論文で発表された4Mモデルのデモ版を公開しました。このモデルは、テキスト、画像、3Dシーンを含む多様なモーダルコンテンツを処理・生成できます。1つのモデルで、深度マップや線画など、画像のあらゆる情報を分解できます。