据DeepLearning.AI在X平台报道，Apple发布AToken多模态模型，采用共享分词器与编码器统一处理并生成图像、视频与3D对象，性能可超越或匹敌专用模型，并实现跨媒介知识迁移。据DeepLearning.AI称，该共享分词机制将视觉、时序与三维几何表征映射到单一token空间，减少模态孤岛并提升样本效率。根据DeepLearning.AI的报道，这一架构通过复用同一编码器可降低多模态推理成本，简化内容生成、视觉语言应用与3D资产流程的训练管线。DeepLearning.AI还指出，Apple给出的早期基准显示其在视频生成与3D重建方面具备竞争力，为开发者在创作工具、AR原型与产品可视化等场景中整合模型栈带来机会。