Prompt MAI-Image-2.6: empat pelajaran dari Microsoft

Pada 10 Agustus 2026, Microsoft AI mengumumkan MAI-Image-2.6 dan menyatakan model itu menempati peringkat kedua pada papan peringkat teks ke gambar Arena, dengan +79 Elo dibanding MAI-Image-2.5 secara keseluruhan dan +91 Elo khusus untuk perenderan teks. Itulah judul beritanya, dan seperti kebanyakan judul dari papan peringkat, ia cepat basi.

Bagian rilis yang umurnya jauh lebih panjang justru lebih senyap: di halaman MAI-Image-2, MAI-Image-2.5, dan MAI-Image-2.6, Microsoft menerbitkan prompt asli di balik gambar-gambar contohnya. Prompt itu bukan kumpulan acak. Ada empat cara menulis untuk model gambar yang jelas berbeda, dan masing-masing mengerjakan tugas tertentu: mendeskripsikan, memampatkan, menyunting, dan mengutip.

MAI-Image tidak ada di pilihan model OmniArt, jadi tulisan ini bukan ulasan model yang bisa Anda jalankan di sini. Ini adalah pembacaan atas keterampilan menulis prompt yang terpampang di sana, karena keterampilan itu bisa dipindahkan. Empat pola di bawah bekerja pada model gambar mana pun yang mumpuni saat ini, dan pelajarannya selalu berbentuk sama: apa yang Anda masukkan ke prompt menentukan kegagalan seperti apa yang Anda dapatkan.

Apa yang dibawa MAI-Image 2, 2.5, dan 2.6

Tiga rilis dalam kurang dari lima bulan, masing-masing dengan titik berat berbeda:

MAI-Image-2.5 juga terbelah menjadi satu keluarga: 2.5-Pro untuk konsistensi objek dan penalaran visual, 2.5 untuk pembuatan sekaligus penyuntingan terkendali, dan 2.5-Flash yang menurut Microsoft siap produksi dengan harga kurang dari separuh model andalannya. Halaman 2.5 memuat grafik "Image Arena Elo dibanding harga API representatif per 1.000 gambar", dan grafik itu menunjukkan apa yang sedang dioptimalkan tim: bukan sekadar kualitas puncak, melainkan kualitas per rupiah.

Untuk 2.6, Microsoft menyebut masih ada yang belum dirinci — "dari bekerja lintas beberapa referensi dan grounding yang lebih kaya hingga kendali lebih besar atas penalaran, format, dan resolusi". Selama itu belum rilis ke publik, statusnya pernyataan peta jalan, bukan spesifikasi.

Pelajaran 1: prompt panjang berstruktur menaruh setiap fakta di kotaknya sendiri

Prompt di balik contoh fotorealisme pada halaman MAI-Image-2.5 panjangnya sekitar 90 kata, dan strukturnya lebih menarik daripada panjangnya:

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.

Bacalah ulang sebagai formulir, bukan sebagai paragraf. Kalimat pertama adalah subjek, pose, aksi, dan langit. Kalimat kedua rambut dan busana. Kalimat ketiga properti, satu untuk tiap tangan. Kalimat keempat elemen yang bisa dihitung. Lalu sebuah blok berlabel — Behind her: — mengambil alih semua hal soal lingkungan, dan arahan gaya dua kata menutup prompt.

Ada tiga hal dalam struktur itu yang benar-benar bekerja:

• Nama warna, bukan kata sifat. "Hot pink", "neon lime-green", "dark navy", "gold", "flat gray". Bukan "cerah", bukan "penuh warna". Nama warna adalah batasan yang bisa dipenuhi model atau gagal secara kasatmata; "vibrant" tidak begitu.
• Angka, bukan keterangan jumlah yang samar. Frasa "Five iridescent bubbles of varying sizes" bisa diperiksa, sedangkan "some bubbles" tidak. Pada hasil yang diterbitkan, jumlahnya memang cocok — Anda bisa berdiri di depan gambar dan menghitungnya, dan justru itulah intinya.
• Latar mendapat wadahnya sendiri. Behind her: memagari lingkungan supaya detailnya tidak merembes ke deskripsi subjek. Prompt panjang runtuh di titik ketika model harus menebak sebuah keterangan itu milik kata benda yang mana.

Kata kunci gaya jatuh paling akhir, setelah isi, sehingga ia memodifikasi adegan yang sudah sepenuhnya ditetapkan, bukan malah mengarahkan komposisinya.

Pelajaran 2: prompt pendek membeli komposisi lewat perumpamaan

Pengumuman MAI-Image-2 menerbitkan prompt yang sangat berbeda — sekitar 30 kata, tanpa kalimat, hanya frasa yang diurutkan menurut kepentingan:

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

Frasa pertama adalah seluruh triknya. "Like a cathedral interior" bukan hiasan, melainkan instruksi komposisi yang menyamar sebagai metafora. Katedral membawa serta langit-langit berkubah, nave yang memanjang menjauh, lengkung, simetri, dan cahaya yang masuk dari ujung. Hasilnya memuat kelima hal itu, hanya saja dibuat dari es. Menuliskan tata letak tersebut secara harfiah akan memakan tiga puluh kata dan kemungkinan besar keluar lebih kaku.

Langkah kedua yang berguna adalah tiny human figure at base for scale. Skala adalah hal yang paling sering hilang pada model gambar, karena tekstur sendiri tidak memberi tahu seberapa besar sesuatu. Satu acuan manusia yang disebut dan ditempatkan mengunci skala hanya dengan empat kata, dan jaket merah pada hasilnya mengerjakan komposisi lebih banyak daripada tumpukan "epic, massive, enormous" seberapa pun banyaknya.

Istilah penutup — cinematic, cold mist in air, hyper-real detail — adalah atmosfer dan arahan render, dan letaknya di akhir karena alasan yang sama dengan kata gaya di pelajaran 1.

Jadi kedua prompt ini bukan versi bagus dan versi buruk dari hal yang sama. Keduanya alat yang berbeda:

Pelajaran 3: dalam penyuntingan, satu prompt mengubah satu hal

Halaman MAI-Image-2.5 memperagakan penyuntingan dengan tiga prompt, dan yang menonjol adalah betapa kecilnya masing-masing:

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

Ini yang pertama, sebelum dan sesudah:

Prompt itu terdiri dari enam kata: satu kata kerja, satu objek yang disebut namanya, satu nilai tujuan. Ia tidak sekalian meminta latar lain, sudut baru, atau pencahayaan yang lebih bagus. Penahanan diri itulah tekniknya, sebab dalam sebuah suntingan, tugas tersulit model adalah mempertahankan, bukan mengubah. Setiap tambahan pada instruksi adalah satu hal lagi yang mungkin ia putuskan untuk diulang.

Perhatikan juga bahwa objeknya disebut namanya. Frasa "the tote" memberi model rujukan yang tidak ambigu. Kalau Anda bilang "buat jadi oranye", model harus memilih sendiri antara tas, meja, dan dinding.

Prompt ketiga, memindahkan subjek ke New York, terlihat sebagai operasi yang jauh lebih besar, dan memang begitu. Namun ia tetap satu operasi, dan tetap menyebut apa yang harus bertahan: "the woman". Prompt yang sekaligus mengganti busana dan mengubah waktu dalam sehari akan membuat Anda tidak punya cara untuk tahu instruksi mana yang menyebabkan hasil buruk.

Pelajaran 4: rujukan budaya itu murah, dan yang dibelinya hanya adegan

Prompt terpendek yang diterbitkan hanya delapan kata:

Chihuahua in Abbey Road album cover with moptop wig

Delapan kata menyusun ulang adegan yang sangat spesifik: zebra cross, jalan berpohon yang menyempit ke kejauhan, VW Beetle putih terparkir di kiri, mobil-mobil era itu, pejalan kaki bermantel tahun enam puluhan, dan framing frontal yang datar. Menuliskannya panjang lebar akan memakan satu paragraf dan kemungkinan besar tetap melewatkan si Beetle. Microsoft menempatkan ini di bawah "pengetahuan dunia dan penalaran", dan kerangka itu tepat: rujukan yang dikenal luas adalah prompt paling padat yang tersedia.

Ia juga yang paling sulit dikendalikan, dan contoh ini memperlihatkan persis di mana batasnya. Bandingkan kedua gambar: sumbernya chihuahua krem berbulu pendek dengan telinga tegak di atas latar hitam. Hasilnya anjing putih kecokelatan dengan bulu, proporsi, dan telinga yang berbeda. Rujukan itu membeli adegannya. Ia tidak mempertahankan subjeknya.

Pembedaan itulah pelajaran praktisnya. Singkatan lewat rujukan sangat bagus untuk membangun sebuah dunia — genre, era, kelaziman pencahayaan, tata letak. Ia tidak bisa diandalkan untuk identitas. Kalau wajah, hewan peliharaan, produk, atau kemasan tertentu harus bertahan, syarat itu tempatnya di deskripsi eksplisit atau di alur kerja dengan gambar referensi, bukan di kiasan budaya.

Ada dua catatan lain yang perlu dipegang: rujukan hanya bekerja kalau modelnya mengenalinya, sehingga rujukan yang tidak populer atau bersifat kedaerahan akan merosot diam-diam menjadi hasil generik; dan citra terkenal membawa persoalan hak yang tidak diselesaikan oleh prompt.

Kenapa perenderan teks menjadi angka utama

Dari semua isi pengumuman 2.6, angka yang Microsoft pilih untuk dipisahkan justru soal teks: +91 Elo, di atas kenaikan keseluruhan +79 Elo. Itu penekanan yang disengaja, dan contoh-contohnya menjelaskan alasannya.

Mengeja judul dengan benar baru separuh yang mudah. Poster di atas juga menahan nama tempat berbahasa Prancis beraksen, tanda bintang dalam kategori, deretan tanggal berkoma, dan yang terpenting sebuah hierarki: baris tanggal bersifat sekunder, judul mendominasi, ilustrasi memegang dua pertiga bagian atas. Model yang ejaannya sempurna tetapi memberi bobot visual sama pada semua blok teks tetap menghasilkan tata letak yang tak terpakai.

Inilah bagian pembuatan gambar yang paling dekat dengan pekerjaan berbayar, dan karena itu kutipan mitra di halaman 2.5 berkisar di situ. Rob Reilly, global chief creative officer WPP, menyebut akurasi teks sebagai "terobosan nyata", berdampingan dengan penyuntingan berbahasa alami; Vanessa Salvo dari Shutterstock merumuskan tolok ukurnya sebagai kemampuan model "menerjemahkan niat menjadi keluaran yang konsisten dan siap produksi". Kemasan, poster, menu, dan materi kampanye gagal di tipografi lebih dulu daripada di fotorealisme.

Apa yang dikatakan dan tidak dikatakan oleh "peringkat 2 di Arena"

Hasil Arena adalah perbandingan preferensi manusia secara buta, jadi lompatan Elo yang besar memang sinyal nyata bahwa orang lebih menyukai keluarannya pada satu set prompt campuran. Itu hasil yang sungguhan, dan +79 Elo dalam sekitar dua bulan adalah kenaikan yang cepat.

Sekaligus, itu hanya satu angka agregat. Pengumuman Microsoft tidak menerbitkan nilai Elo per kategori, selang kepercayaan, ukuran set prompt, maupun identitas model yang berada di atasnya. Per 14 Agustus 2026, beberapa hal yang dibutuhkan sebuah tim sebelum mengunci alur produksi masih belum diterbitkan:

• Harga API per gambar untuk tingkat 2.6
• Resolusi keluaran asli dan maksimum
• Angka latensi pembuatan dan penyuntingan
• Kemampuan multireferensi dan grounding yang disebut "segera hadir"
• Laporan teknis di balik selisih Elo tersebut

Pembacaan jujur atas 2.6 memang sempit tetapi tetap berguna: Microsoft beriterasi cepat pada keluarga model ini, dan mengarahkan kenaikannya ke keluaran komersial — teks, potret, produk, merek — bukan ke tontonan.

Menjalankan empat pola ini di OmniArt

MAI-Image saat ini belum tersedia di ruang kerja gambar OmniArt. Pola promptnya tersedia, dan pola itu tidak terikat model. Pilih berdasarkan pekerjaan mana di antara keempatnya yang sebenarnya sedang Anda kerjakan:

Satu latihan yang berguna: jalankan prompt atap di atas apa adanya, lalu jalankan lagi dengan warnanya diganti kata sifat ("a pink bottle", "a green wand") dan jumlahnya diganti "some bubbles". Jarak antara kedua hasil itulah nilai dari struktur, diukur pada model Anda sendiri, bukan di galeri halaman peluncuran.

Untuk adu langsung terbaru soal tata letak dan fotorealisme, baca GPT Image 2 versus Nano Banana 2. Untuk konsistensi yang dipandu referensi, panduan peluncuran Seedream 5.0 Pro membahas input dan kendalinya, sedangkan panduan Qwen Image adalah jalur murah untuk draf awal. Sebagai analisis peluncuran yang sebanding, Grok Imagine Image 2.0 menyampaikan klaim Arena serupa pada minggu yang sama.

Pertanyaan yang sering diajukan

Apa itu MAI-Image-2.6?

MAI-Image-2.6 adalah model teks ke gambar dari Microsoft AI yang diumumkan pada 10 Agustus 2026. Microsoft menyatakan model ini menempati peringkat kedua pada papan peringkat teks ke gambar Arena, dengan +79 Elo dibanding MAI-Image-2.5 dan +91 Elo pada perenderan teks.

Apa bedanya MAI-Image-2.6 dengan MAI-Image-2.5?

Microsoft menyebut ada peningkatan di setiap kategori Arena yang diukur, dengan penekanan khusus pada perenderan teks, potret dan 3D, serta keluaran komersial dan fotorealistis yang lebih rapi untuk pekerjaan produk, branding, dan sinematik. Input multireferensi, grounding yang lebih kaya, dan kendali lebih besar atas penalaran, format, serta resolusi disebut akan menyusul, tanpa rincian yang diterbitkan.

Di mana saya bisa memakai MAI-Image-2.6?

Menurut pengumuman Microsoft, model ini tersedia untuk teks ke gambar di Arena, hadir di MAI Playground pada akhir pekan yang sama, lalu digulirkan ke Microsoft Foundry dan produk lain.

Apakah MAI-Image tersedia di OmniArt?

Tidak. MAI-Image tidak ada di pilihan model gambar OmniArt. Pola prompt dalam artikel ini tidak terikat model dan bisa dijalankan pada model gambar yang memang disediakan OmniArt.

Apa saja isi keluarga MAI-Image-2.5?

Tiga varian: MAI-Image-2.5-Pro untuk konsistensi objek dan penalaran visual, MAI-Image-2.5 untuk pembuatan berkualitas tinggi dengan penyuntingan terkendali, dan MAI-Image-2.5-Flash yang digambarkan siap produksi dengan harga kurang dari separuh model andalan.

Apakah pola prompt ini bekerja pada model lain?

Ya. Nama warna, jumlah yang eksplisit, blok latar yang dipagari, acuan skala, satu perubahan per suntingan, dan perumpamaan yang memikul komposisi semuanya teknik prompt yang umum. Yang berbeda antarmodel adalah seberapa konsisten masing-masing dipatuhi, dan itu layak diuji pada model yang benar-benar Anda pakai.

Memulai di OmniArt

Buka ruang kerja gambar OmniArt dan jalankan satu brief lewat dua dari empat pola di atas — versi panjang berstruktur dan versi pendek bertumpuk untuk gagasan yang sama. Pertahankan subjeknya sama dan ubah hanya bentuk promptnya. Perbandingan tunggal itu akan memberi tahu Anda lebih banyak tentang model Anda daripada posisi papan peringkat mana pun.

Setelah itu, perlakukan penyuntingan sebagai pekerjaan terpisah: setujui satu gambar dulu, lalu lakukan satu perubahan per prompt, dan periksa detail yang Anda pedulikan setelah tiap putaran. OmniArt menyatukan model gambar, video, audio, dan musik dalam satu ruang kerja, jadi gambar diam yang sudah disetujui bisa langsung masuk ke tahap gerak tanpa berganti alat — dan ketika sebuah model baru layak masuk daftar, cara menulis prompt yang sudah Anda kuasai ikut terbawa.