微软发布 MAI-Image-2.6 图像模型：性能比肩 GPT-Image-2，Flash 速度快 2 倍多
支持多图参考、网页信息辅助生成、精细编辑和动态画幅；旗舰侧重质量，Flash 降低批量创作的等待与成本。
- MAI-Image-2.6同时支持生成图片与精细编辑，多张参考图和网页信息可以共同参与创作。
- 微软公布的编辑评测中，2.6与GPT Image 2高档位分数接近，体现出接近的整体质量水平。
- Flash在微软指定负载下的中位响应时间为12.2秒，GPT-Image-2-Medium为33.6秒，约相差2.8倍。
- Flash的代表性价格约为2.6的一半，适合大量试稿和生成版本；精细修改可同时比较旗舰结果。
微软发布了 MAI-Image-2.6 图像模型，支持根据文字生成图片，也能对已有图片进行精细编辑。9 月 4 日，微软进一步推出经过优化的 MAI-Image-2.6-Flash，并将两款模型提供给 Microsoft Foundry 的开发者公开预览。普通用户可以通过 MAI Playground 网页试用。
这一系列的主要能力包括：多图参考编辑，将产品、人物、材质和场景参考组合进一张图；网页信息辅助生成，利用网页和文档补充当前信息；局部修改与画幅适配，在已有图像上调整对象、文字和布局，输出最高约 1.5K 分辨率的图片。
两款模型的分工也很明确：2.6 侧重图像质量和精细编辑，Flash 侧重批量制作的速度与成本。微软公布的图片编辑评测中，2.6 与 GPT Image 2（high）的 Elo 分数接近；速度优势则来自 Flash 对比 GPT-Image-2-Medium，在指定测试条件下，后者的中位响应时间约为 Flash 的 2.8 倍。
质量接近 GPT Image 2，Flash 的速度与成本更有优势
微软的质量—价格图采用图片编辑 Elo 分数衡量输出的相对偏好：评审者比较不同模型的图片，依据提示词符合程度和视觉效果选择更喜欢的结果。分数越高，表示在这组比较中更受偏好。
| 模型 | 图片编辑 Elo | 每 1,000 张代表性价格 |
|---|---|---|
| MAI-Image-2.6 | 1324 | 38.9 美元 |
| GPT Image 2（high） | 1318 | 211 美元 |
| MAI-Image-2.6-Flash | 1311 | 19.5 美元 |
| Nano Banana 2 | 1311 | 67 美元 |
| Muse Image | 1304 | 10 美元 |
2.6 与 GPT Image 2（high）相差 6 分，Flash 与其相差 7 分；图中这些模型的分数带有约 9～10 分的不确定范围。因此，“性能比肩”可以理解为这项编辑质量评测中的分数接近，不能据此判定每一种生成或编辑任务都有相同表现。
微软发布时展示的数据，图注引用 Artificial Analysis Arena。越靠上代表评测偏好越高，越靠左代表价格越低。价格为图中的代表性调用成本，实际费用取决于使用配置与用量。
按微软 9 月 4 日发布时的记录，2.6 在 Arena 的文生图、图片编辑榜均列第二，在另一评测平台 Artificial Analysis 的两项榜单中分别列第二、第一。这些名次属于旗舰 2.6。查看 Arena 文生图榜原图。
速度测试采用 1024×1024 分辨率、每分钟 100 次请求，由微软内部完成。图中同时列出中位响应时间和 P90：前者对应一半请求完成的时间，后者对应约九成请求完成的时间。
微软内部测试 · 1024×1024 · 每分钟100次请求
Flash 的中位响应时间是 12.2 秒，GPT-Image-2-Medium 是 33.6 秒，两者之比约为 2.8。旗舰 2.6 则为 25.6 秒。Flash 的速度比较采用 GPT-Image-2-Medium；质量—价格比较采用 GPT Image 2（high）。
Flash 的代表性价格约为 2.6 的一半，编辑 Elo 相差 13 分。对需要大量试稿、生成不同版本的团队，Flash 提供了较低的等待时间和调用成本；对需要精细调整的主视觉，可以同时比较 2.6 的结果。
多图参考：把产品、材质和场景组合起来
MAI-Image-2.6 系列支持最多五张视觉参考，能够结合文字要求、品牌素材和产品图片生成画面。参考图可以分别提供产品外形、材质、人物、环境或风格，不必全部写进一段长提示词。
微软的运动鞋示例展示了四张参考图片和一个配色色板：运动中的鞋、橙红色峡谷、粉色鞋面特写，以及粉橙配色的白底产品图。生成结果将产品放在岩石上，并使用暖色背景与光线。
参考素材：四张图片与一组色板
运动照片：姿态线索
峡谷：场景线索
特写：材质线索
白底图：产品外形
生成结果：一张成品
白底图提供产品形状和配色，特写提供材质细节，峡谷提供场景方向，运动照展示鞋在动态姿态下的形态。创作者再用文字说明需要保留哪些特征、如何组合这些素材。这里展示的是官方精选样例，多项要求能否同时实现，仍需用实际素材检查。
网页信息：为现实对象补充具体细节
两款模型都支持 web grounding，即利用网页内容和文档，为图像创作补充当前信息。这项能力适用于画面需要涉及现实对象、地点或相关资料的情况。
微软用马德里的 Metrópolis 大楼展示这项功能。提示词指定了建筑所在街道、穹顶、顶部雕像和柱廊上的人物雕塑，同时要求冬日晨光、雨后路面与长曝光车流。建筑信息和摄影要求共同参与画面生成。
微软官方生成样张。建筑细节来自创作要求中的现实对象，季节、天气和摄影效果则属于指定的画面条件，不代表现场照片记录。
网页信息补充的是这次生成的上下文。按照微软的数据说明，模型在部署后不会持续用新数据训练。
精细编辑与成图质量
2.6 的模型卡列出了对象移除、替换、属性修改、局部补绘、文字更新和图像增强等操作。用户可以以已有图片为起点，用自然语言指定需要改变的部分，并要求保留原有构图和布局。
这类能力适合产品图修改、海报文字更新，以及清理运动模糊等瑕疵。模型还强调多轮编辑中的视觉一致性，但不能保证每次修改都让其他区域的像素完全不变。
文字生成也是这次产品展示的重点。微软给出了连续多行英文、斜体和小字号页脚组成的排版样张；另一张室内图展示了树影在墙面、地面之间的光照关系。
英文排字：连续多行文字、斜体与页脚层级
光影：树影跨过墙面与地面，空间保持连续
这些样张分别体现了文字组织和光影表现。微软的数据摘要注明，文本训练数据使用英语；需要中文标题或精确产品文案时，应单独检查字形、漏字和版面效果。
更多成图案例：产品、人物与创意场景
产品包装与配饰：文字要贴合材质和形状
薯片包装图把大字号品牌名、口味、小字说明安排在同一个袋面上，袋口封边、褶皱和反光也参与了画面。前景散落的薯片与包装上的食品图案呼应，可以用来观察产品主图中的文字层级、包装质感和布光。
帽子样张把弧形英文排列在白色帽面上，再用黑色耳机、线缆和银色播放器组成俯拍静物。与平面排版相比，这类产品图还需要处理文字随曲面的位置变化，以及织物、塑料、金属之间的材质差别。
人物场景：同时安排动作、环境和光线
乡间合影中，几位老人围坐在红色汽车旁，人物的坐姿、衣服褶皱与前景草地形成近景，石墙和牧场延伸到远处。画面采用柔和、略带颗粒感的照片风格，适合观察生活场景里人物与环境的结合。
儿童球场图换成高处俯视：粉色地面占据大部分画面，奔跑的孩子、球和滑板车分散排列，长影子强调了光照方向。它展示了多人动态场景的构图；与近景合影相比，重点转向人物之间的距离、运动姿态和场地留白。
静物与创意场景：从微观纹理到水面倒影
苹果剖面使用简洁的蓝色背景，把注意力集中在果肉纹理、果核和茎部。这样的近景让局部细节成为主要内容，可用于观察食品图和材质特写的表现。
天鹅造型充气浮具则缩小主体，在四周保留大片蓝色水面。塑料表面的褶皱、亮部、水纹和倒影共同表现物体与水面的接触关系，也给广告标题或版面设计留下空间。
花田白马进一步转向创意场景：粉黄花带与蓝色水面交错，白马带有运动模糊，倒影延续了主体的位置。它提供了不同于清晰产品特写的视觉方向，适合用来讨论色彩、动感和画面氛围。
以上均为微软发布的生成样张，展示的是成图效果；产品页没有为这些图片给出完整提示词和逐步编辑记录，因此不能将它们视为编辑前后对照或直接复现教程。
动态画幅：根据横版、竖版重新安排构图
模型支持不同长宽比。微软的运动主题图库中，同一粉橙配色运动鞋既出现在横向岩石场景中，也出现在纵向峡谷曲面上，主体的位置、角度与环境安排随构图改变。
横向：鞋与环境沿水平方向展开
纵向：斜向主体配合延伸的峡谷曲面
产品页将输出分辨率概括为最高 1.5K。模型卡的精确限制是总像素不超过 2,359,296，相当于 1536×1536；只要宽乘高不超过上限，某一边可以大于 1536。具体可提交尺寸仍取决于使用入口的参数规则。
对横幅、商品图和竖版内容，画幅适配需要同时处理主体大小、环境和留白。上面的图片展示了不同构图成品，适配后仍要检查产品特征和视觉方向是否符合要求。
在哪里使用
个人创作者可以进入 MAI Playground 试用；开发者通过微软的模型接入平台 Microsoft Foundry 查看部署方式和价格，目前处于公开预览。
首次比较两款模型，可以使用同一份产品图和场景参考：先生成一版图片，再修改一个对象或一段文字，最后调整画幅。把结果质量、等待时间和返工次数一起记录下来，更容易判断旗舰 2.6 的精细编辑能力，或 Flash 的速度与成本，哪一项对自己的任务更有价值。