Prompts MAI-Image-2.6 : quatre leçons signées Microsoft

Le 10 août 2026, Microsoft AI a annoncé MAI-Image-2.6 en indiquant que le modèle se classait deuxième au classement Arena texte vers image, avec +79 Elo par rapport à MAI-Image-2.5 au global et +91 Elo sur le seul rendu du texte. Voilà le titre, et comme la plupart des titres de classement, il périme vite.

La partie de cette sortie qui durera le plus longtemps est plus discrète : sur les pages de MAI-Image-2, MAI-Image-2.5 et MAI-Image-2.6, Microsoft a publié les prompts réels qui ont produit les images d’exemple. Ces prompts ne forment pas un assortiment au hasard. Ce sont quatre manières nettement différentes d’écrire pour un modèle d’images, et chacune accomplit une tâche précise : décrire, condenser, retoucher, citer.

MAI-Image ne figure pas dans le sélecteur de modèles d’OmniArt : ce n’est donc pas le test d’un modèle que vous pouvez lancer ici. C’est une lecture du savoir-faire de prompt qui s’y donne à voir, parce que ce savoir-faire se transpose. Les quatre schémas ci-dessous fonctionnent sur n’importe quel modèle d’images actuel de bon niveau, et la leçon a chaque fois la même forme : ce que vous mettez dans le prompt détermine l’erreur que vous obtiendrez.

Ce qu’ont apporté MAI-Image 2, 2.5 et 2.6

Trois sorties en moins de cinq mois, chacune avec un centre de gravité différent :

MAI-Image-2.5 s’est aussi divisé en une famille : 2.5-Pro pour la cohérence des objets et le raisonnement visuel, 2.5 pour la génération avec retouche pilotable, et 2.5-Flash, que Microsoft décrit comme prêt pour la production à moins de la moitié du prix du modèle phare. La page de 2.5 affiche un graphique « Image Arena Elo vs prix API représentatif pour 1 000 images », qui révèle ce que l’équipe optimise : pas seulement la qualité de pointe, mais la qualité par euro.

Pour 2.6, Microsoft indique qu’il reste des éléments non détaillés — « du travail sur plusieurs références et d’un ancrage plus riche jusqu’à un meilleur contrôle du raisonnement, du format et de la résolution ». Tant que ce n’est pas disponible publiquement, il s’agit d’une feuille de route, pas d’une spécification.

Leçon 1 : le prompt long et structuré range chaque fait dans sa case

Le prompt derrière l’exemple de photoréalisme de la page MAI-Image-2.5 fait environ 90 mots, et sa structure est plus intéressante que sa longueur :

A young woman in profile on a rooftop, blowing soap bubbles against an overcast sky. She has long straight black hair, windswept slightly, and wears a dark navy double-breasted school uniform jacket with gold buttons and a white collar. She holds a hot pink bubble solution bottle in one hand and a neon lime-green wand to her lips in the other. Five iridescent bubbles of varying sizes float around her.

Behind her: low-rise apartment buildings under a flat gray sky, a black metal railing, and weathered concrete underfoot. Film photography aesthetic.

Relisez-le comme un formulaire plutôt que comme un texte. Première phrase : sujet, pose, action et ciel. Deuxième : cheveux et vêtements. Troisième : accessoires, un par main. Quatrième : un élément dénombrable. Puis un bloc étiqueté — Behind her: — récupère tout ce qui relève du décor, et une directive de style en deux mots referme le prompt.

Trois éléments de cette structure font un vrai travail :

• Des noms de couleurs plutôt que des adjectifs. « Hot pink », « neon lime-green », « dark navy », « gold », « flat gray ». Ni « vif », ni « coloré ». Un nom de couleur est une contrainte que le modèle peut satisfaire ou manquer visiblement ; « vibrant » ne l’est pas.
• Un nombre plutôt qu’une quantité vague. « Five iridescent bubbles of varying sizes » se vérifie, « some bubbles » non. Dans le rendu publié, le compte tient : vous pouvez vous planter devant l’image et vérifier, et c’est précisément l’intérêt.
• Le décor a son propre contenant. Behind her: clôture l’environnement pour que ses détails ne débordent pas sur la description du sujet. Les prompts longs échouent là où le modèle doit deviner à quel nom se rattache un qualificatif.

Le mot de style arrive en dernier, après le contenu : il s’applique donc à une scène déjà entièrement spécifiée, au lieu d’orienter lui-même la composition.

Leçon 2 : le prompt court achète la composition avec une comparaison

L’annonce de MAI-Image-2 a publié un prompt très différent — une trentaine de mots, aucune phrase, seulement des groupes classés par ordre d’importance :

A glacier wall towering like a cathedral interior, deep blue ice with light refracting through layers, tiny human figure at base for scale, cinematic, cold mist in air, hyper-real detail

Le premier groupe contient toute l’astuce. « Like a cathedral interior » n’est pas un ornement, c’est une instruction de composition déguisée en métaphore. Une cathédrale amène avec elle une voûte, une nef qui fuit vers le fond, un arc, une symétrie et une lumière entrant par l’extrémité. Le rendu possède les cinq, exécutés dans la glace. Décrire cette disposition littéralement aurait pris trente mots et serait sans doute sorti plus raide.

Le deuxième geste utile est tiny human figure at base for scale. L’échelle est ce que les modèles d’images perdent le plus sûrement, parce qu’aucune texture n’indique sa taille. Un repère humain nommé, à une position nommée, la fixe en quatre mots, et la veste rouge du rendu travaille davantage la composition que n’importe quelle accumulation de « epic, massive, enormous ».

Les termes finaux — cinematic, cold mist in air, hyper-real detail — sont de l’atmosphère et des directives de rendu, et ils arrivent en dernier pour la même raison que le mot de style de la leçon 1.

Ces deux prompts ne sont donc pas une bonne et une mauvaise version de la même chose. Ce sont des outils différents :

Leçon 3 : en retouche, un prompt ne change qu’une chose

La page MAI-Image-2.5 démontre la retouche avec trois prompts, et ce qui frappe, c’est à quel point chacun est petit :

Change the tote color to orange

Add peonies peeking out the tote

Edit this image to have the woman walking through the streets of New York City

Voici le premier, avant et après :

Le prompt fait six mots : un verbe, un objet nommé, une valeur cible. Il ne demande pas au passage un autre décor, un nouvel angle ou un meilleur éclairage. Cette retenue est la technique elle-même, car dans une retouche, la tâche la plus difficile du modèle est de préserver, pas de modifier. Tout ce que vous ajoutez à l’instruction est une chose de plus qu’il pourrait décider de refaire.

Notez aussi que l’objet est nommé. « The tote » donne au modèle un référent sans ambiguïté. « Mets-le en orange » laisse le modèle choisir entre le sac, la table et le mur.

Le troisième prompt — déplacer le sujet à New York — ressemble à une opération bien plus lourde, et c’en est une. Mais cela reste une opération, et elle nomme toujours ce qui doit persister : « the woman ». Un prompt de déplacement qui restylerait aussi la tenue et changerait l’heure ne vous laisserait aucun moyen de savoir quelle instruction a causé un mauvais résultat.

Leçon 4 : une référence culturelle coûte peu, et n’achète que la scène

Le prompt publié le plus court fait huit mots :

Chihuahua in Abbey Road album cover with moptop wig

Huit mots reconstruisent une scène très précise : le passage piéton, l’allée d’arbres qui fuit, la Coccinelle VW blanche garée à gauche, les voitures d’époque, les passants en manteaux des années soixante et le cadrage frontal et plat. L’écrire en toutes lettres prendrait un paragraphe et laisserait sans doute passer la Coccinelle. Microsoft range cela sous « connaissance du monde et raisonnement », et c’est le bon cadre : une référence largement connue est le prompt le plus condensé disponible.

C’est aussi le moins pilotable, et cet exemple montre exactement où se situe la limite. Comparez les deux images : la source est un chihuahua crème, à poil ras, oreilles dressées, sur fond noir. Le rendu est un chien blanc et brun, au pelage, aux proportions et aux oreilles différents. La référence a acheté la scène. Elle n’a pas préservé le sujet.

C’est cette distinction qui constitue la leçon pratique. Le raccourci par référence est excellent pour poser un monde — un genre, une époque, une convention de lumière, une mise en page. Il n’est pas fiable pour l’identité. Si un visage, un animal, un produit ou un packaging précis doit survivre, cette exigence relève d’une description explicite ou d’un flux avec image de référence, pas d’une allusion culturelle.

Deux autres réserves méritent d’être gardées en tête : une référence ne fonctionne que si le modèle la connaît, si bien qu’une référence obscure ou régionale se dégrade silencieusement en rendu générique ; et l’imagerie célèbre traîne des questions de droits qu’un prompt ne règle pas pour vous.

Pourquoi le rendu du texte est devenu le chiffre à retenir

De tout ce que contient l’annonce de 2.6, le nombre que Microsoft a choisi d’isoler concerne le texte : +91 Elo, au-dessus du gain global de +79 Elo. C’est une insistance délibérée, et les exemples expliquent pourquoi.

Orthographier correctement un titre est la moitié facile. L’affiche ci-dessus tient aussi un toponyme français accentué, un astérisque dans une catégorie, une liste de dates séparées par des virgules et, surtout, une hiérarchie : ligne de dates subordonnée, titre dominant, illustration occupant les deux tiers supérieurs. Un modèle qui orthographie parfaitement mais donne le même poids visuel à chaque bloc de texte produit tout de même une mise en page inutilisable.

C’est la partie de la génération d’images la plus proche du travail rémunéré, et c’est pourquoi les citations de partenaires sur la page 2.5 tournent autour d’elle. Rob Reilly, global chief creative officer de WPP, désigne la justesse du texte comme « une vraie percée », aux côtés de la retouche en langage naturel ; Vanessa Salvo, de Shutterstock, formule le critère décisif comme la capacité des modèles à « traduire une intention en rendus cohérents et prêts pour la production ». Packagings, affiches, menus et visuels de campagne échouent sur la typographie avant d’échouer sur le photoréalisme.

Ce que « 2e sur l’Arena » dit, et ne dit pas

Les résultats de l’Arena reposent sur des comparaisons de préférence humaines en aveugle : un bond d’Elo important est donc un signal réel que les rendus ont été préférés sur un ensemble de prompts variés. C’est un résultat authentique, et +79 Elo en deux mois environ constitue une progression rapide.

C’est aussi un chiffre agrégé unique. L’annonce de Microsoft ne publie ni les Elo par catégorie, ni les intervalles de confiance, ni la taille de l’ensemble de prompts, ni l’identité du modèle qui la précède. Au 14 août 2026, plusieurs éléments nécessaires avant d’engager une chaîne de production restent non publiés :

• Le prix API par image pour le niveau 2.6
• Les résolutions de sortie native et maximale
• Les latences de génération et de retouche
• Les capacités multi-références et d’ancrage annoncées comme « à venir »
• Un rapport technique derrière les écarts d’Elo

La lecture honnête de 2.6 est étroite et pourtant utile : Microsoft itère vite sur cette famille et oriente les gains vers le rendu commercial — texte, portraits, produit, marque — plutôt que vers le spectaculaire.

Appliquer ces quatre schémas sur OmniArt

MAI-Image n’est pas disponible aujourd’hui dans l’espace images d’OmniArt. Les schémas de prompt, eux, le sont, et ils ne dépendent d’aucun modèle. Choisissez selon celle des quatre tâches que votre brief représente vraiment :

Un exercice utile : reprenez le prompt du toit ci-dessus, lancez-le tel quel, puis relancez-le avec des adjectifs à la place des couleurs (« a pink bottle », « a green wand ») et « some bubbles » à la place du nombre. L’écart entre les deux rendus, c’est la valeur de la structure, mesurée sur votre modèle et non dans une galerie de lancement.

Pour un face-à-face récent sur la mise en page et le photoréalisme, voir GPT Image 2 vs Nano Banana 2. Sur la cohérence pilotée par références, le guide de lancement de Seedream 5.0 Pro détaille ses entrées et ses contrôles, et le guide Qwen Image reste la voie économique pour les premiers jets. Comme analyse de lancement comparable, Grok Imagine Image 2.0 avançait une affirmation Arena voisine la même semaine.

FAQ

Qu’est-ce que MAI-Image-2.6 ?

MAI-Image-2.6 est le modèle texte vers image de Microsoft AI annoncé le 10 août 2026. Microsoft indique qu’il se classe deuxième au classement Arena texte vers image, avec +79 Elo par rapport à MAI-Image-2.5 et +91 Elo sur le rendu du texte.

En quoi MAI-Image-2.6 diffère-t-il de MAI-Image-2.5 ?

Microsoft décrit des gains dans chaque catégorie Arena mesurée, en insistant sur le rendu du texte, les portraits et la 3D, ainsi que sur un rendu commercial et photoréaliste plus abouti en produit, en marque et en cinématographique. Les entrées multi-références, un ancrage plus riche et davantage de contrôle sur le raisonnement, le format et la résolution sont annoncés comme à venir, sans détail publié.

Où puis-je utiliser MAI-Image-2.6 ?

Selon l’annonce de Microsoft, il est disponible en texte vers image sur l’Arena, arrive sur MAI Playground plus tard dans la même semaine, puis se déploie sur Microsoft Foundry et d’autres produits.

MAI-Image est-il disponible sur OmniArt ?

Non. MAI-Image ne figure pas dans le sélecteur de modèles d’images d’OmniArt. Les schémas de prompt de cet article ne dépendent d’aucun modèle et s’appliquent à ceux qu’OmniArt propose.

Que contient la famille MAI-Image-2.5 ?

Trois variantes : MAI-Image-2.5-Pro pour la cohérence des objets et le raisonnement visuel, MAI-Image-2.5 pour une génération de qualité avec retouche pilotable, et MAI-Image-2.5-Flash, décrit comme prêt pour la production à moins de la moitié du prix du modèle phare.

Ces schémas de prompt fonctionnent-ils sur d’autres modèles ?

Oui. Noms de couleurs, comptes explicites, bloc de décor isolé, repère d’échelle, un changement par retouche et comparaison compositionnelle sont des techniques générales. Ce qui varie d’un modèle à l’autre, c’est la fiabilité avec laquelle chacune est respectée, et cela mérite d’être testé sur le modèle que vous utilisez réellement.

Démarrer sur OmniArt

Ouvrez l’espace images d’OmniArt et faites passer un même brief par deux des quatre schémas ci-dessus : une version longue structurée et une version courte empilée de la même idée. Gardez le sujet identique et ne changez que la forme du prompt. Cette seule comparaison vous en apprendra plus sur votre modèle que n’importe quelle place au classement.

Traitez ensuite la retouche comme un travail à part : validez une image, puis effectuez un changement par prompt et vérifiez après chaque passe les détails qui comptent. OmniArt réunit les modèles d’image, de vidéo, d’audio et de musique dans un même espace : une image validée peut donc passer directement au mouvement sans changer d’outil — et le jour où un nouveau modèle mérite sa place dans le sélecteur, les prompts que vous avez appris à écrire vous accompagnent.