这项由苹果公司等多门第界知名科研机构合作完成的研究发表于2026年的arXiv预印本平台，论文编号为arXiv:2602.21472v1，标志着东说念主工智能发展史上的一个进击里程碑。参与这项研究的机构包括苹果公司、谷歌DeepMind、剑桥大学和麻省理工学院等顶尖科研院所，研究团队网罗了来自不同范围的大家学者。
要一语气这项研究的突破性真谛，咱们不妨记忆一下东说念主类学习语言的过程。当一个婴儿学会语言时，他不仅要听到"苹果"这个词，还要看到红彩的苹果，以至要触摸和试吃它，智力真的一语气"苹果"的含义。东说念主类的大脑天生就能将视觉、听觉、触觉等各式感官信息交融在整个，酿成对宇宙的齐全知道。关联词，传统的东说念主工智能模子却像是只消单一感官的机器东说念主——有的只可"看"图片，有的只可"听"声息，有的只可"读"笔墨，它们无法像东说念主类一样同期处理多种信息。
苹果研究团队靠近的挑战就像是要制造一个既能听音乐、又能看画作、还能读诗歌的万能艺术家。以往的AI模子就像专科的单项冠军：有的是阅读笔墨的能手，有的擅长识别图片，还有的专门处理音频。但现实宇宙中的任务每每需要同期欺诈多种智商，比如字据一段笔墨描述生成相应的图片，或者听到一首歌后写出歌词的田地。
研究团队的创新之处在于，他们开发出了第一个粗略同期一语气和生成笔墨、图片、音频三种不同类型信息的颐养AI模子，就像培养出了一个真的的全才艺术家。这个模子不仅能读懂笔墨描述然后画出相应的图片，还能听到一段语音后更动成笔墨，以至能字据笔墨内容生成匹配的语音。更神奇的是，扫数这些智商王人蚁集在一个颐养的"大脑"中，而不是三个分离的专门模块。
传统的多模态AI系统就像一个管弦乐团，需要多个乐手各自演奏不同的乐器，然后通过指挥来协调。而苹果团队开发的这个模子更像一个粗略同期演奏多种乐器的万能音乐家，扫数的妙技王人交融在吞并个"演奏者"身上。这种颐养的蓄意不仅提高了效能，还能让不同模态之间的信息更好地互相促进和补充。
这个AI模子收受了一种全新的本贯通线，叫作念"掩码扩散模子"。淌若把传统的AI西宾过程比作隐世无争地学习教科书，那么这种新步调更像是通过填空游戏来学习。研究东说念主员会挑升"遮住"一段笔墨中的某些词汇、一张图片中的某些区域，或者一段音频中的某些片断，然后让AI模子揣测这些被遮住的内容应该是什么。通过多数这么的"填空老成"，模子渐渐学会了一语气不同类型信息之间的内在研究。
这种西宾方式的高深之处在于，它不是浅薄地让模子记着固定的输入输出对应关系，而是让模子学会在不齐全信息的基础上进行推理和创造。就好比一个学生在作念完形填空时，不仅要一语气句子的语法结构，还要把抓整个段落的语义逻辑，这么培养出来的一语气智商愈加深入和无邪。
研究团队在模子的蓄意和西宾过程中遭遇了许多本领挑战。其中一个进击问题是怎么平衡不同类型数据的学习后果。笔墨、图片、音频这三种信息的特色相反很大：笔墨是翻脸的秀雅序列，图片是一语气的视觉特征，音频则是时刻序列的波形信号。要让一个颐养的模子同期处理这三种截然不同的信息类型，就像要西宾一个洞开员同期闪耀游水、跑步和体操，需要找到合适的西宾步融合节律。
为了措置这个问题，研究东说念主员收受了一种高深的战略：将扫数不同类型的信息王人更动成颐养的"令牌"形状，就像把不同语言的文档王人翻译成吞并种通用语言一样。笔墨当然即是一个个词汇令牌，而图片和音频则通过非常的编码器更动成相应的令牌序列。这么一来，无论是笔墨、图片如故音频，在模子眼中王人变成了吞并种形状的信息流，可以用颐养的方式来处理。
在模子的西宾过程中，研究团队还发现了一个爱慕的阵势：不同模态的数据混杂比例对最终后果有进击影响。他们尝试了各式不同的配比决策，最终发现当笔墨、图片、音频数据各占三分之一时，模子的全体证实最为平衡。这就像烹调一说念复合口味的菜肴，需要精准阻挡各式调料的比例，智力达到最好的味觉后果。
一、颐养架构的本领突破
这项研究最引东说念主珍视的创新在于恣意了传统AI系统的本领壁垒。以往的多模态AI系统就像一座需要多个专门科室的病院，有眼科专门看图片、耳鼻喉科专门听声息、内科专门处理笔墨信息，各个科室之间诚然可以诊断，但终究是分离运作的。而苹果团队开发的这个模子更像是一位全科大夫，粗略同期欺诈视觉、听觉、语言等多种"感官"来诊断和处理问题。
这种颐养架构的中枢本领叫作念"三模态掩码扩散模子"，其使命旨趣访佛于一个高等的智能缔造师。当这个AI模子收受到一个包含笔墨、图片、音频的混杂任务时，它会先立时"损坏"其中的一部分信息，比如抹去图片中的某些像素、静音音频中的某些片断、或者遮拦笔墨中的某些单词。然后模子需要字据剩余的信息来"缔造"这些缺失的部分。
这个缔造过程并不是一步完成的，而是通过屡次迭代慢慢完善的，就像一个艺术家在创作画作时，先勾画出大致轮廓，然后慢慢添加细节，临了完成雅致的作品。每一次迭代，模子王人会参考扫数可用的信息起首——笔墨的语义、图片的视觉特征、音频的声学性情——来作念出更准确的预测。
研究团队在本领完结上收受了一个名为"颐养词汇表"的高深蓄意。传统的多模态系统需要为不同类型的数据选藏不同的词汇库，就像一个典籍照看员需要离别照看中语册本、英文册本、丹青书等不同类型的藏书。而这个新系统创建了一个包含117，698个不同"词汇"的超等辞书，其中包括100，281个笔墨词汇、16，387个图片特征词汇、以及1，027个音频特征词汇。
这种颐养的词汇蓄意让模子粗略无缝地在不同模态之间切换和关联。当模子看到笔墨"猫咪"时，它不仅一语气这个词的语义含义，还能关联到相应的视觉特征（毛茸茸、尖耳朵、髯毛等）和听觉特征（喵喵叫声）。这种跨模态的关联智商让模子在处理复合任务时证实出了前所未有的无邪性。
模子的神经会聚架构收受了起先进的Transformer蓄意，包含24个处理层和3072个神经元维度，总参数目达到30亿个。这些参数就像是模子大脑中的"神经取悦"，通过6.4万亿个西宾样本的学习，酿成了对不同模态信息的深度一语气智商。西宾过程历时100万个筹划模范，杰出于模子进行了100万次"学习老成"。
二、智能西宾战略的创新蓄意
研究团队在模子西宾方面完结了多项本领突破，其中最进击的是措置了困扰业界已久的"最优批量大小"问题。在传统的AI西宾中，聘用合适的批量大小就像治疗汽车的油门踏板深度——踩得太轻，车子跑得慢效能低；踩得太重，又可能熄火或者糜掷燃油。以往的研究东说念主员需要通过多数实验来找到这个最好的"踩踏板"深度，既耗时又立志。
苹果研究团队通过引入一种叫作念"立时微分方程重参数化"的数学本领，绝对措置了这个问题。这个本领的中枢想想是将西宾过程看作一个一语气的数学过程，而不是翻脸的模范序列。就好比传统步调像是走楼梯需要精准阻挡每一步的高度，而新方律例像是坐电梯，可以平滑地治疗到任何逸想的高度。
这种重参数化本领带来的公正是权贵的：研究东说念主员不再需要为每个模子范畴单独寻找最优的批量大小，而是可以字据可用的筹划资源无邪调整。这就像领有了一辆自动变速汽车，可以字据路况自动治疗档位，而不需要司机手动操作聚散器和变速杆。
在模子的超参数调优方面，研究团队还收受了一种称为"CompleteP+SDE缩放"的先进步调。这种步调的高深之处在于，它可以将在小范畴模子上找到的最优参数缔造，自动缩放到大范畴模子上。就好比一个厨师在家庭厨房里调试出了一说念可口菜肴的配方，然后可以按比例放大到餐厅厨房的工业级制作中，而不需要重新锤真金不怕火扫数的调料比例。
这种缩放步调不仅从简了多数的筹划资源，还提高了实验的可相通性。研究团队通过在320M参数的小模子上进行约3000次超参数搜索实验，找到了全局最优的参数建设，然后告成地将这些参数缩放到30亿参数的大模子上，取得了出色的性能证实。
在数据处理方面，研究团队靠近的挑战访佛于同期教一个学生学习三种完全不同的妙技。他们需要详情笔墨、图片、音频三种数据的最好混杂比例，既要保证每种模态王人得到充分的西宾，又要幸免某一种模态过度主导西宾过程。
通过多数的实验，研究团队发现当三种模态的数据各占三分之一时，模子的详细性能达到最优。这个发现颇有些随机，因为直观上可能以为某种模态的数据应该占更大比重。但实验收尾标明，平衡的数据散布让模子粗略在不同任务间保持相识的性能，幸免了"偏科"阵势。
西宾数据的范畴相似令东说念主印象深远：模子所有构兵了3.4万亿个笔墨令牌、10亿个图片样本、和10亿个音频样本。这杰出于让模子阅读了数百万本册本、不雅看了数百万张图片、凝听了数百万小时的音频内容。如斯大范畴的多模态西宾数据为模子提供了丰富的跨模态关联学习契机。
三、范畴化定律的进击发现
研究团队在这项使命中最具前瞻性的孝敬之一，是系统性地研究了三模态AI模子的范畴化定律。这就像是为AI模子的发展制定了一张详确的"成长图谱"，告诉咱们跟着模子范畴的增长，性能会怎么变化，需要若干数据智力达到最好后果。
传统的AI模子范畴化研究主要关注单一模态，比如纯笔墨模子或纯图像模子。而这项研究初度为多模态模子建立了齐全的范畴化定律。研究团队西宾了262个不同范畴的模子，从几千万参数的小模子到数十亿参数的大模子，每个模子的西宾数据量也在1到2000倍参数目之间变化。
通过对这些多数实验数据的分析，研究团队发现了一个令东说念主诧异的规矩：三模态扩散模子比传统的自转头语言模子愈加"数据高效"。浅薄来说，即是这种新式模子粗略用更少的西宾数据达到相似的性能水平。这个发现就像发现了一种新的学习步调，能让学生用更少的时刻掌抓相似的学问量。
具体来说，研究团队发现关于一个30亿参数的模子，传统步调需要简短600亿个西宾令牌智力达到最优性能，而新的三模态扩散模子只需要简短480亿个令牌。这种效能提高意味着西宾老本的权贵责骂和西宾时刻的大幅裁汰。
更爱慕的是，研究团队发现跟着模子范畴的增长，这种数据效能的上风会越来越光显。关于更大范畴的模子，三模态扩踱步调比拟传统步调的数据需求增长得更慢。这就像是发现了一种新的交通器具，不仅自己就比传统器具快，而且跟着距离的加多，速率上风会越来越光显。
研究团队通过数学建模，提议了一个精准的公式来描述模子性能与范畴和数据量之间的关系。这个公式的形势为：L=E+(A·N^(-a/b)+B·D^(-1))^b，其中N是模子参数目，D是西宾数据量，而其他字母则是通过实验详情的常数。这个公式就像是AI模子的"成长方程式"，可以匡助研究者预测不同建设下模子的性能证实。
基于这个范畴化定律，研究团队还给出了筹划最优模子建设的公式：D*(N)=7754·N^0.84。这个公式告诉咱们，关于一个给定参数目的模子，应该用若干西宾数据智力达到最好的性价比。举例，关于一个30亿参数的模子，最优的西宾数据量简短是4800亿个令牌。
这些范畴化定律的发现对整个AI行业具有进击的教导真谛。它们不仅匡助研究者更好地操办实验资源，还为AI模子的买卖化部署提供了进击的老本效益分析依据。公司可以字据这些定律来决定在给定预算下应该西宾多大范畴的模子，使用若干数据，从而完结最好的投资请教。
四、不同模态的个性化优化战略
研究团队在深入研究过程中发现了一个爱慕的阵势：诚然笔墨、图片、音频三种信息王人可以用颐养的模子来处理，但在生成阶段，不同类型的内容需要收受截然不同的参数缔造智力达到最好后果。这就像是一个万能的厨师，开云app诚然掌抓了各式烹调技巧，但在制作不同菜系时仍需要调整火候、调料和烹调时刻。
关于笔墨到图片的生成任务，研究团队发现最好的参数建设包括：分类器开脱沟通强度缔造为6.0，温度参数为1.0，收受top-p采样战略，生成模范为1024步。这些参数就像是画家作画时的不同技法聘用——沟通强度决定了对笔墨描述的严格进度，温度参数阻挡了创作的立时性，而生成模范则决定了作画的细致进度。
实验收尾透露，跟着生成模范的加多，图片质料会权贵提高，但提高的幅度会渐渐递减。这种阵势访佛于照相师调焦的过程：前几次调整会带来光显的明晰度改善，但过度调整可能后果有限以至欺上瞒下。研究团队通过多数实验详情了性价比最高的参数组合。
笔墨到语音的生成任务则需要完全不同的参数缔造：分类器开脱沟通强度为3.0，温度参数为1.2，top-p值为0.9，生成模范为1000步。这些参数的相反反馈了音频和图像在生成性情上的实质区别。音频是时刻序列信息，需要保持更好的连贯性和当然性，因此使用了较低的沟通强度和较高的温度参数。
研究团队还发现，在音频生成任务中，分类器开脱沟通参数呈现出爱慕的量度性情：较高的沟通强度可以提高语音转录的准确性，但同期会责骂音频的保真度。这就像治疗音响系统时，提高某个频段的音量可能会改善明晰度，但也可能引入失真。因此，需要字据具体应用场景来聘用合适的平衡点。
在噪声调度决策的聘用上，研究团队比较了线性、余弦、多项式和几何四种不同的战略。实验收尾标明，多项式调度决策在扫数三种模态上王人证实出了最优的性能。这个发现颇有些随机，因为在单模态模子中，不同的调度战略每每各有优劣。但在多模态颐养模子中，多项式调度似乎粗略更好地平衡不同类型信息的生成需求。
研究团队还引入了一种称为"反掩码"的西宾本领。这种本领的使命旨趣访佛于让学生同期作念填空题和舍弃题：关于每个西宾样本，模子不仅要学会预测被掩码的内容，还要学会预测不应该被掩码的内容。这种对比学习的方式权贵提高了模子的泛化智商和生成质料。
实验收尾透露，反掩码本领在保持筹划老本不变的情况下，在多个评估宗旨上王人完结了性能提高。关于图像生成任务，FID分数从26.77改善到21.04；关于音频生成任务，FAD分数从0.24改善到0.22。诚然这些改善的统统数值看起来不大，但在AI模子性能的细致化竞争中，每少量提高王人是很有价值的。
五、大范畴推行应用的性能证实
经过大范畴西宾的30亿参数三模态模子在各式推行任务上展现出了令东说念主印象深远的性能证实。研究团队收受了业界尺度的评估基准来测试模子的推行智商，就像给一个全科大夫进行执业阅历考试，需要在多个专科范围王人达到及格尺度。
在笔墨一语气和生成方面，模子在多个学问性问答任务上的证实达到了主活水平。举例，在MMLU（大范畴多任务语言一语气）测试中取得了41.57分，在数学推理任务GSM8K上的准确率达到了杰出水平。这些获利诚然不是最高分，但研讨到这是一个需要同期处理三种不同模态的通用模子，这么的证实照旧杰出可以。
图像生成智商的评估收受了多个维度的宗旨。在图像质料方面，模子生成的图片在FID（FrechetInceptionDistance）宗旨上得分为10.06，这个分数标明生成图像的质料照旧达到了较高水平。更进击的是，在GenEval测试中，模子在物体识别、计数、款式和位置等多个细分任务上王人证实出了讲求的一语气智商，全体得分为48.89分。
音频生成方面的性能相似令东说念主饱读吹。模子在语音合成任务上的证实通过多个宗旨进行了评估，包括音频质料的FAD分数为0.164，语音识别准确率WER为0.368，以及多维度的音频好意思学评分。这些宗旨标明模子粗略生成明晰、当然的语音，况且与输入文本保持讲求的一致性。
罕见值得肃肃的是，模子展现出了优秀的跨模态一语气智商。当给定一个笔墨描述时，模子不仅能生成匹配的图像，还能一语气描述中的细节条件，如款式、形状、空间关系等。举例，当输入"一个红色的苹果放在木制桌子上"这么的描述时，模子粗略准确地生成相应的图像，并正确处理物体的款式、形状和空间位置关系。
研究团队还测试了模子的多轮对话智商和复杂任务处明智商。实验收尾标明，模子粗略在一语气的多轮交互中保持高下文的连贯性，况且粗略处理波及多种模态的复合指示。这种智商关于推行应用场景具有进击真谛，因为现实中的用户需求每每是复杂和多变的。
从筹划效能的角度来看，诚然这个颐养的多模态模子在推理时需要更多的筹划资源，但比拟于部署三个孤立的专门模子，它在系统复杂度、选藏老本和存储需求等方面具有光显上风。这种颐养架构也为未来的模子优化和功能膨胀提供了更好的基础。
六、本领细节与工程完结
在具体的本领完结层面，这个三模态模子收受了多项创新的工程本领来确保系统的相识性和效能。整个模子基于双向Transformer架构构建，这种架构的上风在于粗略同期研讨序列中前后两个标的的信息，就像一个读者不仅能从左到右阅读笔墨，还能字据后续内容来一语气前边句子的含义。
模子的中枢架构包含24个处理层，每层王人有3072个闪避单位，所有包含约30亿个可西宾参数。这些参数就像是大脑中的神经取悦，通过西宾过程中的调整，酿成了对不同类型信息的处明智商。为了处理长序列信息，模子收受了旋转位置编码（RoPE）本领，这种编码方式粗略更好地处理不同长度的输入序列。
在词汇表蓄意上，研究团队创建了一个包含117，698个词元的颐养词汇表。这个词汇表的组成颇为小巧：笔墨部分使用了Tiktoken编码器，包含100，281个词元；图像部分收受SBER-MoVQGAN编码器，包含16，387个词元；音频部分使用HiggsAudiov2编码器，包含1，027个词元。此外还包括各式非常标记用于秀雅不同模态和任务类型。
为了处理大范畴词汇表带来的筹划挑战，研究团队收受了切割交叉熵（Cut-Cross-Entropy）本领。这种本领可以幸免在筹划赔本函数时实例化齐全的概率散布，从而权贵责骂内存使用量。同期，还引入了z-loss正则化项来相识西宾过程中的logit值，防护数值不相识问题。
西宾基础设施方面，整个名目使用了大范畴散布式筹划集群。模子西宾收受了3072的批次大小和3256的序列长度，在100万个西宾模范中处理了共计6.4万亿个令牌。这种范畴的西宾需要全心蓄意的散布式战略和容错机制来确保西宾过程的相识性。
数据预处理活水线亦然系统的进击组成部分。笔墨数据收受了令牌打包战略，以提高西宾效能；图像数据经过了尺度化的预处理进程，包括立时剪辑、缩放等数据增强本领；音频数据则被处理成固定长度的帧序列。扫数三种模态的数据王人被更动成颐养的序列形状，以便模子进行颐养处理。
在推理优化方面，研究团队完结了多种加快本领。包括收受高效的采样算法、优化的肃肃力机制筹划、以及针对不同模态特色的专门优化战略。这些优化使得模子在保持高质料输出的同期，也能闲隙推行应用对响应速率的条件。
模子的可膨胀性蓄意也值得关注。通过模块化的架构蓄意，这个系统可以相对容易地膨胀到更多的模态或更大的范畴。任务标记系统的蓄意使得新的任务类型可以通过浅薄的建设来添加，而不需要对中枢架构进行要紧修改。
{jz:field.toptypename/}七、未来发展远景与应用后劲
这项研究开启的本领标的具有纷乱的应用远景和发展空间。从本领发展的角度来看，三模态颐养模子代表了AI系统向着愈加通用和智能的标的演进的进击一步，就像从单一功能的器具发展到多功能的瑞士军刀一样。
在内容创作范围，这种本领可以绝对改变传统的使命进程。蓄意师不再需要离别使用笔墨处理软件、图像编著器具和音频制作软件，而是可以通过一个颐养的AI助手来完成跨媒体的创作任务。举例，一个营销东说念主员只需要提供家具描述，系统就能同期生成相应的告白案牍、家具图片和宣传音频，大大提高创作效能。
诠释行业也将从这项本领中取得庞大益处。AI教师可以字据学生的学习内容自动生成研究的视觉图表、音频解释和笔墨补充材料，为每个学生提供个性化的多媒体学习体验。这种多模态的教学方式更顺应东说念主类的知道特色，粗略匡助学生更好地一语气和挂念学问。
在文娱产业，这项本领有后劲创新性地改变游戏、影视和音乐制作的方式。游戏开发者可以通过笔墨描述快速生成游戏场景、变装对话音频和布景音乐，大大裁汰开发周期。影视制作中的办法蓄意、配音生成、音效制作等要道也王人可以通过AI来补助完成。
关于颓势东说念主士的补助本领应用也充满但愿。视觉干涉东说念主士可以通过语音描述取得AI生成的图像内容解释，听觉干涉东说念主士可以将音频内容更动为笔墨或视觉默示。这种跨模态的信息更动智商为构建愈加包容的数字环境提供了本领基础。
关联词，这项本领的发展也靠近着一些挑战和阻挡。领先是筹划资源的需求问题。诚然颐养模子在系统复杂度上有上风，但其筹划需求仍然很高，这可能阻挡了本领在资源受限环境中的部署。研究团队正在探索模子压缩、量化等本领来措置这个问题。
数据质料和版权问题亦然需要心疼的方面。多模态模子的西宾需要多数高质料的配对数据，而这些数据的获取和使用波及复杂的版权和隐秘问题。如安在保护原创者职权的前提下构建可连续的数据生态系统，是本领实行靠近的进击挑战。
从本领演进的角度来看，面前的三模态模子还仅仅一个起初。未来的发展标的可能包括维持更多模态（如触觉、感觉等）、更高的生成质料、更强的推明智商等。跟着硬件本领的朝上和算法的优化，咱们有旨趣期待看到愈加智能和实用的多模态AI系统。
研究团队在论文中也诚笃地斟酌了面前系统的局限性。比拟专门优化的单模态模子，颐养模子在某些特定任务上的性能可能还存在差距。但这种性能上的细小捐躯换来的是系统架构的简化和跨模态智商的取得，这个量度在许多应用场景下是值得的。
说到底，苹果公司搭伙多家顶尖研究机构完成的这项使命，为咱们展示了一个AI本领发展的全新可能性。它不仅是本领上的突破，更代表了一种全新的想维方式——不再将不同类型的信息看作相互孤立的数据孤岛，而是将它们视为互研究联、互相促进的颐养全体。就像东说念主类的感官系颐养样，真的智能的AI系统也应该粗略同期一语气和生成多种形势的信息，在不同模态间开脱更动和创造。
这种颐养的多模态AI本领还处于发展的早期阶段，但照旧展现出了庞大的后劲。跟着筹划智商的提高、数据资源的丰富和算法的进一步优化，咱们有旨趣确信，未来的AI助手将粗略更当然、更智能地与东说念主类协调，真的成为咱们使命和生存中不行或缺的智能伙伴。关于眷注AI本领发展的读者来说，这项研究无疑提供了一个极具价值的不雅察窗口，让咱们得以窥见东说念主工智能本领演进的下一个进击标的。
Q&A
Q1：三模态掩码扩散模子和传统AI模子有什么实质区别？
A：传统AI模子就像专门的单项选手，只可处理一种类型信息，而三模态掩码扩散模子就像万能洞开员，能同期一语气和生成笔墨、图片、音频三种信息。最大区别是它收受"填空游戏"式西宾，通过不断揣测被遮住的内容来学习，而不是死记硬背固定谜底。
Q2：苹果的这个AI模子在推行应用中能作念什么？
A：这个模子可以字据笔墨描述生成相应图片，将音频转成笔墨，或者字据笔墨内容生成匹配的语音。就像一个万能创作助手，一个东说念主就能完成底本需要多个专科软件智力作念到的跨媒体内容制作，大大提高使命效能。
Q3：夙昔东说念主什么时候能用上这种三模态AI本领？
A：现在这如故研究阶段的本领，夙昔虚耗者暂时无法平直使用。但基于苹果等大公司的本领实力和买卖化智商，瞻望在未来几年内，咱们可能会在智能手机、电脑或其他征战中看到基于这种本领的实勤勉能。
备案号: