Prompts do MAI-Image-2.6: quatro lições da Microsoft
O MAI-Image-2.6 da Microsoft chegou ao segundo lugar na Arena. A parte mais reaproveitável do lançamento são os prompts publicados junto: quatro formas de escrever e quatro regras que valem em qualquer modelo.
Em 10 de agosto de 2026, a Microsoft AI anunciou o MAI-Image-2.6 e disse que ele ficou em segundo lugar no ranking de texto para imagem da Arena, com +79 Elo sobre o MAI-Image-2.5 no geral e +91 Elo só na renderização de texto. Essa é a manchete e, como quase toda manchete de ranking, ela vence rápido.
A parte do lançamento com prazo de validade mais longo é bem mais discreta: nas páginas do MAI-Image-2, do MAI-Image-2.5 e do MAI-Image-2.6, a Microsoft publicou os prompts reais por trás das imagens de exemplo. Eles não são um apanhado aleatório. São quatro maneiras claramente diferentes de escrever para um modelo de imagem, e cada uma cumpre uma função específica: descrever, comprimir, editar e citar.
O MAI-Image não está no seletor de modelos do OmniArt, então isto não é a análise de um modelo que você possa rodar aqui. É uma leitura do ofício de escrever prompts que fica exposto ali, porque esse ofício se transfere. Os quatro padrões abaixo funcionam em qualquer modelo de imagem atual competente, e a lição tem sempre o mesmo formato: o que você coloca no prompt determina qual falha você vai receber.
O que cada versão entregou: MAI-Image 2, 2.5 e 2.6
Três lançamentos em menos de cinco meses, cada um com um centro de gravidade diferente:
| Versão | Anúncio | Posicionamento da Microsoft | Afirmação sobre a Arena |
|---|---|---|---|
| MAI-Image-2 | 19 de março de 2026 | Fotorrealismo, texto dentro da imagem, cenas ricas: "feito com criativos" | 3ª família de modelos |
| MAI-Image-2.5 | Página do modelo | Edição precisa, fidelidade de materiais, resultado pronto para design; Pro / padrão / Flash | 3º em texto para imagem, em 2 de junho de 2026 |
| MAI-Image-2.6 | 10 de agosto de 2026 | Renderização de texto, retratos e 3D, acabamento comercial e cinematográfico | 2º em texto para imagem; +79 Elo sobre o 2.5 |
O MAI-Image-2.5 também se dividiu em uma família: 2.5-Pro para consistência de objetos e raciocínio visual, 2.5 para geração com edição controlável e 2.5-Flash, que a Microsoft descreve como pronto para produção por menos da metade do preço do modelo principal. A página do 2.5 traz um gráfico de "Image Arena Elo versus preço de API representativo por 1.000 imagens", que revela o que a equipe otimiza: não apenas o pico de qualidade, mas qualidade por real gasto.
Sobre o 2.6, a Microsoft diz que ainda há material sem detalhamento: "de trabalhar com várias referências e ancoragem mais rica até maior controle sobre raciocínio, formato e resolução". Enquanto isso não sai publicamente, é declaração de roadmap, não especificação.
Lição 1: o prompt longo e estruturado põe cada fato em uma casa própria
O prompt por trás do exemplo de fotorrealismo na página do MAI-Image-2.5 tem cerca de 90 palavras, e a estrutura dele é mais interessante que o tamanho:
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.
Leia de novo como um formulário, não como um texto corrido. A primeira frase é sujeito, pose, ação e céu. A segunda é cabelo e roupa. A terceira é objetos de cena, um por mão. A quarta é um elemento contável. Depois um bloco rotulado — Behind her: — recolhe tudo que é ambiente, e uma instrução de estilo de duas palavras fecha o prompt.
Três coisas nessa estrutura fazem trabalho de verdade:
- Nomes de cor no lugar de adjetivos. "Hot pink", "neon lime-green", "dark navy", "gold", "flat gray". Não "vibrante", não "colorido". Um nome de cor é uma restrição que o modelo consegue cumprir ou errar de forma visível; "vibrant" não é.
- Um número no lugar de uma quantidade vaga. "Five iridescent bubbles of varying sizes" dá para conferir; "some bubbles" não. No resultado publicado a contagem se mantém — você pode parar na frente da imagem e conferir, que é exatamente o ponto.
- O fundo ganha o próprio recipiente.
Behind her:cerca o ambiente para que os detalhes dele não vazem para a descrição do sujeito. Prompts longos quebram onde o modelo precisa adivinhar a qual substantivo um modificador pertence.
A palavra de estilo vem por último, depois do conteúdo, então ela modifica uma cena já totalmente especificada em vez de dirigir a composição.
Dica
Escreva prompts longos como casas de um formulário, não como prosa: sujeito e ação, depois aparência, depois objetos de cena, depois detalhe contável, depois um bloco de ambiente rotulado, depois estilo. Se você mesmo não consegue apontar a qual casa uma palavra pertence, o modelo também não consegue.
Lição 2: o prompt curto compra a composição com uma comparação
O anúncio do MAI-Image-2 publicou um prompt bem diferente — cerca de 30 palavras, sem frases, só sintagmas ordenados por importância:
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
O primeiro sintagma é o truque inteiro. "Like a cathedral interior" não é enfeite: é uma instrução de composição fantasiada de metáfora. Uma catedral traz junto um teto abobadado, uma nave que recua, um arco, simetria e luz entrando pelo fundo. O resultado tem as cinco coisas, executadas em gelo. Descrever esse arranjo literalmente teria custado trinta palavras e provavelmente sairia mais duro.
O segundo movimento útil é tiny human figure at base for scale. Escala é o que os modelos de imagem perdem com mais frequência, porque nenhuma textura conta o tamanho dela. Uma referência humana nomeada, em uma posição nomeada, prende isso em quatro palavras, e a jaqueta vermelha no resultado faz mais pela composição do que qualquer acúmulo de "epic, massive, enormous".
Os termos finais — cinematic, cold mist in air, hyper-real detail — são atmosfera e instruções de renderização, e vêm por último pelo mesmo motivo da palavra de estilo na lição 1.
Ou seja, esses dois prompts não são a versão boa e a versão ruim da mesma coisa. São ferramentas diferentes:
| Use o prompt longo estruturado quando | Use o prompt curto empilhado quando |
|---|---|
| roupa, objetos de cena ou detalhes de marca importam | você quer uma imagem forte e depois itera |
| alguém vai conferir o resultado contra um briefing | o clima pesa mais que o inventário |
| você vai precisar reproduzir depois | você está explorando uma estética |
| quantidades e cores não se negociam | uma boa comparação dá conta da composição |
Lição 3: na edição, um prompt deve mudar uma coisa
A página do MAI-Image-2.5 demonstra edição com três prompts, e o que chama atenção é como cada um é pequeno:
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
Este é o primeiro, antes e depois:
O prompt tem seis palavras: um verbo, um objeto nomeado e um valor de destino. Ele não pede de quebra outro fundo, outro ângulo ou luz melhor. Essa contenção é a técnica em si, porque numa edição o trabalho mais difícil do modelo é preservar, não mudar. Tudo que você acrescenta à instrução é mais uma coisa que ele pode decidir refazer.
Repare também que o objeto é nomeado. "The tote" dá ao modelo um referente sem ambiguidade. "Deixa laranja" faz o modelo escolher entre a bolsa, a mesa e a parede.
O terceiro prompt — levar a personagem para Nova York — parece uma operação bem maior, e é. Mas continua sendo uma operação, e continua nomeando o que precisa permanecer: "the woman". Um prompt que também reestilizasse a roupa e mudasse a hora do dia não deixaria como saber qual instrução causou um resultado ruim.
Aviso
Uma sequência de edições pequenas é também uma sequência de desvios pequenos. Confira os detalhes que importam depois de cada passo, e não só no final: tom de pele, geometria de logotipo e texto são os primeiros a se degradar em silêncio ao longo de várias passadas.
Lição 4: referência cultural é barata, e só compra a cena
O prompt publicado mais curto tem oito palavras:
Chihuahua in Abbey Road album cover with moptop wig
Oito palavras reconstroem uma cena bem específica: a faixa de pedestres, a alameda arborizada que recua, o VW Fusca branco estacionado à esquerda, carros de época, pedestres de sobretudo dos anos sessenta e o enquadramento frontal e plano. Escrever isso por extenso levaria um parágrafo e provavelmente deixaria o Fusca de fora. A Microsoft arquiva isso em "conhecimento de mundo e raciocínio", e o enquadramento está certo: uma referência muito conhecida é o prompt mais comprimido disponível.
Também é o menos controlável, e este exemplo mostra exatamente onde fica o limite. Compare as duas imagens: a de origem é um chihuahua creme, de pelo curto e orelhas eretas, sobre preto. O resultado é um cachorro branco com marrom, com outro pelo, outras proporções e outras orelhas. A referência comprou a cena. Ela não preservou o sujeito.
Essa distinção é a lição prática. A abreviação por referência é ótima para levantar um mundo — um gênero, uma época, uma convenção de luz, um layout. Ela não é confiável para identidade. Se um rosto, um pet, um produto ou uma embalagem específicos precisam sobreviver, esse requisito pertence a uma descrição explícita ou a um fluxo com imagem de referência, não a uma alusão cultural.
Vale guardar mais duas ressalvas: uma referência só funciona se o modelo a conhece, então referências obscuras ou regionais degradam em silêncio para um resultado genérico; e imagens célebres carregam questões de direitos que o prompt não resolve por você.
Por que a renderização de texto virou o número da manchete
De tudo que está no anúncio do 2.6, o número que a Microsoft escolheu destacar separadamente foi o de texto: +91 Elo, acima do ganho geral de +79 Elo. É uma ênfase deliberada, e os exemplos explicam o porquê.
Escrever um título sem erro é a metade fácil. O cartaz acima também segura um topônimo francês acentuado, um asterisco dentro de uma categoria, uma lista de datas separadas por vírgulas e, mais importante, uma hierarquia: linha de datas subordinada, título dominante, ilustração com os dois terços de cima. Um modelo que escreve perfeitamente mas dá o mesmo peso visual a todo bloco de texto ainda produz um layout inutilizável.
Esta é a parte da geração de imagens mais próxima do trabalho pago, e por isso as citações de parceiros na página do 2.5 giram em torno dela. Rob Reilly, global chief creative officer da WPP, aponta a precisão do texto como "um avanço real", ao lado da edição em linguagem natural; Vanessa Salvo, da Shutterstock, define a métrica relevante como a capacidade de os modelos "traduzirem intenção em resultados consistentes e prontos para produção". Embalagem, cartaz, cardápio e peça de campanha falham na tipografia antes de falharem no fotorrealismo.
O que "2º lugar na Arena" diz e o que não diz
Os resultados da Arena são comparações cegas de preferência humana, então um salto grande de Elo é sinal real de que as pessoas preferiram aqueles resultados em um conjunto misto de prompts. É um resultado legítimo, e +79 Elo em cerca de dois meses é uma subida rápida.
Também é um único número agregado. O anúncio da Microsoft não publica valores de Elo por categoria, intervalos de confiança, o tamanho do conjunto de prompts nem a identidade do modelo acima dele. Em 14 de agosto de 2026, várias coisas de que um time precisaria antes de fechar um pipeline seguem sem publicação:
- Preço de API por imagem no nível 2.6
- Resoluções de saída nativa e máxima
- Números de latência de geração e edição
- Os recursos de múltiplas referências e ancoragem descritos como "em breve"
- Um relatório técnico por trás das diferenças de Elo
Nota
Uma posição geral na Arena não diz se um modelo serve para o seu trabalho específico. Embalagem com muito texto em alfabeto não latino, um rosto que precisa se repetir em doze tomadas e um ativo transparente para a interface de um jogo são três testes diferentes, e um modelo pode liderar no agregado e perder qualquer um deles.
A leitura honesta do 2.6 é estreita e ainda assim útil: a Microsoft está iterando essa família rápido e mirando os ganhos no resultado comercial — texto, retratos, produto, marca — e não no espetáculo.
Rodando esses quatro padrões no OmniArt
O MAI-Image não está disponível hoje no espaço de imagem do OmniArt. Os padrões de prompt estão, e independem de modelo. Escolha pelo trabalho que o seu briefing realmente é, entre os quatro:
| O padrão | Para que serve | Um ponto de partida prático no OmniArt |
|---|---|---|
| Prompt longo estruturado | Briefings em que roupa, objetos, cores e quantidades são conferidos | GPT Image 2 |
| Prompt curto empilhado com comparação | Imagens únicas cinematográficas e exploração de clima | Seedream 5.0 Pro |
| Edição de uma mudança por vez | Variações de cor de produto, acréscimos, mudança de cenário controlada | Nano Banana 2 |
| Abreviação por referência mais identidade explícita | Construção de mundo em que o sujeito precisa se manter | Seedream 5.0 Pro com imagens de referência |
| Iteração barata antes de fechar | Testar estrutura de prompt a baixo custo | Qwen Image |
Um exercício útil: pegue o prompt do terraço acima, rode sem alterações e rode de novo trocando as cores por adjetivos ("a pink bottle", "a green wand") e a quantidade por "some bubbles". A distância entre os dois resultados é o valor da estrutura, medido no seu modelo e não na galeria de uma página de lançamento.
Para um confronto recente sobre layout e fotorrealismo, veja GPT Image 2 versus Nano Banana 2. Sobre consistência guiada por referência, o guia de lançamento do Seedream 5.0 Pro cobre entradas e controles, e o guia do Qwen Image é o caminho barato para os primeiros rascunhos. Como análise de lançamento comparável, o Grok Imagine Image 2.0 fez uma afirmação parecida sobre a Arena na mesma semana.
Perguntas frequentes
O que é o MAI-Image-2.6?
O MAI-Image-2.6 é o modelo de texto para imagem da Microsoft AI anunciado em 10 de agosto de 2026. A Microsoft afirma que ele ficou em segundo lugar no ranking de texto para imagem da Arena, com +79 Elo sobre o MAI-Image-2.5 e +91 Elo em renderização de texto.
Qual a diferença entre o MAI-Image-2.6 e o MAI-Image-2.5?
A Microsoft descreve ganhos em todas as categorias medidas da Arena, com ênfase específica em renderização de texto, retratos e 3D, e em resultados comerciais e fotorrealistas mais acabados em trabalho de produto, marca e cinematográfico. Entrada com múltiplas referências, ancoragem mais rica e mais controle sobre raciocínio, formato e resolução são descritos como algo por vir, sem detalhes publicados.
Onde posso usar o MAI-Image-2.6?
Segundo o anúncio da Microsoft, ele está disponível para texto para imagem na Arena, chega ao MAI Playground ainda naquela semana e depois vai sendo liberado no Microsoft Foundry e em outros produtos.
O MAI-Image está no OmniArt?
Não. O MAI-Image não aparece no seletor de modelos de imagem do OmniArt. Os padrões de prompt deste artigo independem de modelo e podem ser usados nos modelos de imagem que o OmniArt oferece.
O que compõe a família MAI-Image-2.5?
Três variantes: MAI-Image-2.5-Pro para consistência de objetos e raciocínio visual, MAI-Image-2.5 para geração de alta qualidade com edição controlável e MAI-Image-2.5-Flash, descrito como pronto para produção por menos da metade do preço do modelo principal.
Esses padrões de prompt funcionam em outros modelos?
Funcionam. Nomes de cor, quantidades explícitas, um bloco de fundo isolado, uma âncora de escala, uma mudança por edição e uma comparação que sustenta a composição são técnicas gerais de prompt. O que muda entre modelos é a confiabilidade com que cada uma é respeitada, e isso vale testar no modelo que você usa de fato.
Começando no OmniArt
Abra o espaço de imagem do OmniArt e passe um mesmo briefing por dois dos quatro padrões acima: uma versão longa estruturada e uma curta empilhada da mesma ideia. Mantenha o sujeito idêntico e mude só a forma do prompt. Essa única comparação vai te dizer mais sobre seu modelo do que qualquer posição de ranking.
Daí em diante, trate a edição como um trabalho à parte: aprove uma imagem, depois faça uma mudança por prompt e confira os detalhes que importam após cada passada. O OmniArt mantém modelos de imagem, vídeo, áudio e música em um só espaço, então uma imagem aprovada segue direto para o movimento sem troca de ferramenta — e quando um modelo novo merecer seu lugar no seletor, os prompts que você já aprendeu a escrever vão junto.
Pronto para criar?
Comece a gerar conteúdo incrível com IA