MAI-Image-2.6 提示词:来自微软的四条经验

微软的 MAI-Image-2.6 登上 Arena 第二。这次发布里更值得复用的,其实是随之公开的那几条提示词——四种写法,四条能迁移到任何模型的规则。

OmniArt 团队发布于 24 分钟阅读
MAI-Image-2.6 提示词:来自微软的四条经验

2026 年 8 月 10 日,微软 AI 发布 MAI-Image-2.6,并称其在 Arena 文生图榜单上排名第二,整体较 MAI-Image-2.5 提升 +79 Elo,其中文字渲染单项提升 +91 Elo。这是标题,而榜单标题通常过期得很快。

这次发布里保质期更长的部分要安静得多:在 MAI-Image-2、MAI-Image-2.5 和 MAI-Image-2.6 三个页面上,微软把样例图背后的提示词原文一并公开了。这些提示词不是随手凑的一组,它们代表四种截然不同的写法,各自在做一件具体的事——描述、压缩、编辑、引用。

OmniArt 的模型列表里没有 MAI-Image,所以这不是一篇你能在这里跑起来的模型评测。它读的是这些提示词展示出的写法,因为写法是可以迁移的。下面四种模式在任何一款当前的成熟图片模型上都成立,而每一条的结论形状都一样:你在提示词里放了什么,决定了你会拿到哪一种失败。

MAI-Image 2、2.5 与 2.6 分别交付了什么#

不到五个月三次发布,每次的重心都不同:

版本发布时间微软的定位Arena 说法
MAI-Image-22026 年 3 月 19 日写实、图内文字、复杂场景生成——"与创作者一起打造"模型家族第三
MAI-Image-2.5模型页精确编辑、材质准确度、面向设计的输出;Pro / 标准 / Flash 三档文生图第三,截至 2026 年 6 月 2 日
MAI-Image-2.62026 年 8 月 10 日文字渲染、人像与 3D、商业与电影感的完成度文生图第二;较 2.5 提升 +79 Elo

MAI-Image-2.5 同时拆成了一个家族:2.5-Pro 主打物体一致性与视觉推理,2.5 兼顾生成与可控编辑,2.5-Flash 则被微软描述为价格不到旗舰一半、可直接投产。2.5 的模型页上有一张"Image Arena Elo 对每千张图代表性 API 价格"的图表,这说明了团队在优化什么:不是单纯的画质峰值,而是每一块钱换来的画质。

关于 2.6,微软说还有一些尚未展开的内容——"从跨多个参考图工作、更丰富的接地,到对推理、格式和分辨率的更强控制"。在这些公开落地之前,它们是路线图表述,不是规格。

经验一:长结构化提示词,让每个事实各就各位#

MAI-Image-2.5 页面上写实样例背后的提示词大约 90 个词,它的结构比长度更值得看:

提示词
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.

侧脸的年轻女性站在天台吹肥皂泡,身穿藏青校服西装外套,一手拿着亮粉色泡泡瓶、一手举着荧光青柠色泡泡棒,身后是阴天下的低层城市天际线
微软 AI 公开的 MAI-Image-2.5 样例。提示词里指定的颜色和泡泡数量都落到了成图上。来源:microsoft.ai。

把它当成一种格式而不是一段话再读一遍。第一句是主体、姿态、动作和天空。第二句是发型与服装。第三句是道具,一只手一件。第四句是可数元素。接着一个带标签的区块——Behind her:——收走所有环境信息,最后两个词的风格指令收尾。

这个结构里有三件事在真正起作用:

  • 用颜色名,而不是形容词。"hot pink""neon lime-green""dark navy""gold""flat gray"。不是"鲜艳",也不是"色彩丰富"。颜色名是模型能满足、也能被肉眼判定失败的约束;"vibrant"不是。
  • 用数字,而不是量的模糊说法。"Five iridescent bubbles of varying sizes"是可核对的,"some bubbles"不是。在公开的成图里这个数量确实成立——你可以站在图前一个个数,而这正是重点。
  • 背景装进自己的容器。Behind her: 把环境圈了起来,它的细节就没法渗进主体描述。长提示词失效,往往是因为模型得猜某个修饰语属于哪个名词。

风格关键词放在最后,落在一个已经被完整指定的场景上,而不是反过来去左右构图。

提示

把长提示词写成一个个格位,而不是散文:主体与动作、外观、道具、可数细节、带标签的环境区块、风格。如果你自己都指不出某个词属于哪个格位,模型同样指不出来。

经验二:短提示词用一个比喻买下构图#

MAI-Image-2 的发布公告公开了一条很不一样的提示词——约 30 个词,没有完整句子,只有按重要性排开的短语:

提示词
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

拱顶状的蓝色冰洞,像教堂中殿一样纵深展开,尽头的雾气中站着一个穿红色外套的小小身影
微软 AI 公开的 MAI-Image-2 样例。比喻在承担布局工作:冰以拱顶、拱门和被照亮的尽头呈现。来源:microsoft.ai。

第一个短语就是全部的诀窍。"like a cathedral interior"不是修饰,而是伪装成比喻的构图指令。教堂自带拱顶、纵深的中殿、拱门、对称,以及从尽头进来的光。成图上这五样都在,只不过是用冰做的。把这套布局直白写出来要三十个词,而且多半更僵硬。

第二个有用的动作是 tiny human figure at base for scale。尺度是图片模型最容易丢的东西,因为材质本身不告诉你它有多大。一个位置明确的人体参照用四个词就把它钉住了,成图里那件红外套所做的构图工作,比堆多少"epic, massive, enormous"都多。

结尾那几个词——cinematic、cold mist in air、hyper-real detail——是氛围和渲染指令,放在最后的理由和经验一里的风格关键词一样。

所以这两条提示词不是同一件事的好版本和差版本,它们是不同的工具:

用长结构化提示词,当用短堆叠提示词,当
服装、道具或品牌细节必须准确你只要一张够强的图,然后再迭代
有人会拿成图去对需求单氛围比清单更重要
你之后需要复现它你在探索一种调性
数量和颜色没有商量余地一个好比喻足以撑起构图

经验三:做编辑时,一条提示词只改一件事#

MAI-Image-2.5 页面用三条提示词演示编辑,最值得注意的是每条都很小:

提示词
Change the tote color to orange

提示词
Add peonies peeking out the tote

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

下面是第一条的改前与改后:

一只本色帆布托特包立在粉色桌面上,身后是刷成深青色的砖墙,光线是硬朗的日光
改前:微软 AI 在 MAI-Image-2.5 页面公开的原图
同一只托特包保持原位置和原打光,颜色变成亮橙色,青色砖墙和投影保持不变
执行 Change the tote color to orange 之后。青色砖墙、粉色桌面、阳光方向和投影形状全部保留;取景略紧了一些。来源:microsoft.ai。

这条提示词只有六个词:一个动词、一个被点名的物体、一个目标值。它没有顺带要求换背景、换角度或者改善打光。这种克制就是技巧本身,因为在一次编辑里,模型最难的活是保留,不是改动。你往指令里多加一样,就多给它一个重做的机会。

还要注意物体是被点名的。"the tote"给了模型一个没有歧义的指代对象。"把它改成橙色"则让模型在包、桌子和墙之间自己挑。

第三条提示词——把人物挪到纽约——看起来是大得多的操作,确实如此。但它仍然是一次操作,而且仍然点名了必须延续的东西:"the woman"。一条既换城市、又改造型、又调时间的提示词,会让你完全无法判断是哪句指令导致了坏结果。

警告

一串小编辑同时也是一串小漂移。你在意的细节要在每一步之后复查,而不是只在最后看一次——肤色、logo 的几何形状和文字,是多轮之后最先悄悄劣化的三样。

经验四:文化引用很便宜,但它只买得到场景#

公开提示词里最短的一条只有八个词:

提示词
Chihuahua in Abbey Road album cover with moptop wig

一只米白色短毛吉娃娃,耳朵直立,坐在纯黑背景前
微软 AI 在 MAI-Image-2.5 页面公开的原图
一只戴着棕色拖把头假发和墨镜的小狗走过伦敦林荫街道上的斑马线,左侧停着一辆白色甲壳虫,身后是老式汽车和行人
成图。引用把斑马线、白色甲壳虫、伦敦街景和当年的路人都重建了出来——但原图里那只狗没有留下来。来源:microsoft.ai。

八个词重建了一个非常具体的场景:斑马线、向远处收缩的林荫道、停在左边的白色甲壳虫、老式汽车、穿六十年代大衣的行人,以及平视正面的取景。把这些一条条写出来要一整段,而且多半还会漏掉那辆甲壳虫。微软把这一项归在"世界知识与推理"下,这个归类是对的——一个足够知名的引用,是可用的最压缩的提示词。

它同时也是最不可控的,而这个例子恰好显示出边界在哪里。对比两张图:原图是纯黑背景前一只米白色短毛、竖耳的吉娃娃;成图是一只白棕相间、毛质不同、比例不同、耳朵也不同的狗。引用买到了场景,没有保住主体。

这个区分才是可操作的结论。引用式速写非常适合立起一个世界——一种类型、一个年代、一套打光惯例、一种版式。它在身份一致性上并不可靠。如果某张脸、某只宠物、某件产品或某个包装必须延续下去,这个要求该写进显式描述或参考图流程,而不是托付给一个文化典故。

还有两点值得记住:引用只在模型认得它时才有效,冷门或地域性的引用会无声地退化成泛泛的结果;而知名影像本身带有权利问题,提示词并不能替你解决。

文字渲染为什么成了那个头条数字#

2.6 公告里的所有内容中,微软单独拎出来的数字是文字:+91 Elo,高于 +79 Elo 的整体增幅。这是刻意的强调,样例作品解释了原因。

一张赛事海报,画面是紫调处理的马与骑手腾空跃障,上方一行写着 13, 14, 15 Apr 2026 – Jumping International CSI 8* – Palais des Congrès d'Issy.,下方是橙色大标题 SAINT FLASH
微软 AI 公开的 MAI-Image-2 排版样例。注意 Congrès d'Issy 里的带音符字母,以及日期行与主标题之间完好的层级。来源:microsoft.ai。

把标题拼对只是容易的那一半。上面这张海报还稳住了一个带音符的法语地名、一个评级里的星号、一串逗号分隔的日期,以及最重要的——层级:日期行退居次要,主标题占据主导,插画拿走上方三分之二。一个拼写完美却把每块文字都给同样视觉重量的模型,产出的仍然是没法用的版面。

这是图片生成里最贴近付费工作的部分,也是 2.5 页面上合作方证言集中在这里的原因。WPP 全球首席创意官 Rob Reilly 把文字准确度和自然语言编辑一起点名为"真正的突破";Shutterstock 的 Vanessa Salvo 则把关键指标定义为模型能否"把意图转化为稳定的、可投产的输出"。包装、海报、菜单和 campaign 素材,都是先败在排版上,而不是先败在写实度上。

"Arena 第二"说明了什么,又没说明什么#

Arena 结果是盲测的人类偏好对比,所以一次大幅 Elo 提升确实是真实信号,说明在一组混合提示词上人们更偏好它的输出。这是个货真价实的成绩,两个月左右提升 +79 Elo 也确实很快。

但它同时只是一个聚合数字。微软的公告没有公布分类别 Elo、置信区间、提示词集规模,也没说排在它上面的是哪个模型。截至 2026 年 8 月 14 日,一个团队在投入生产管线前需要的若干信息仍未公开:

  • 2.6 档位的每张图 API 价格
  • 原生分辨率与最大输出分辨率
  • 生成与编辑的延迟数据
  • 被描述为"即将到来"的多参考图与接地能力
  • 支撑那些 Elo 增幅的技术报告

说明

一个总榜名次没法告诉你某个模型是否适合你手上的活。非拉丁文字的重文字包装、要在十二个镜头里保持一致的一张脸、给游戏 UI 用的透明素材,是三种不同的测试,而一个模型完全可能在总分领先的同时输掉其中任何一项。

对 2.6 的诚实读法很窄,但依然有用:微软在快速迭代这个家族,并且把增益瞄准了商业产出——文字、人像、产品、品牌——而不是奇观。

在 OmniArt 上跑这四种模式#

OmniArt 的图片工作台目前没有 MAI-Image。但这些提示词模式有,而且与模型无关。按你手上的活到底属于四件事里的哪一件来挑:

模式用途OmniArt 上的起点
长结构化提示词服装、道具、颜色和数量会被逐项核对的需求GPT Image 2
带比喻的短堆叠提示词电影感单图与调性探索Seedream 5.0 Pro
一次一改的编辑产品配色、增加元素、可控换景Nano Banana 2
引用式速写加显式身份描述需要主体保持一致的场景搭建Seedream 5.0 Pro 配合参考图
定稿前的低成本迭代低价测试提示词结构Qwen Image

一个有用的练习:把上面那条天台提示词原样跑一次,再把颜色换成形容词("a pink bottle""a green wand")、把数量换成"some bubbles",跑第二次。两张成图之间的差距,就是结构的价值——而且是在你自己的模型上量出来的,不是在发布页的图库里。

想看版式与写实度的最新对比,可以读GPT Image 2 与 Nano Banana 2 对比。想了解参考图驱动的一致性,Seedream 5.0 Pro 发布解析讲了它的输入与控制面,而 Qwen Image 指南是早期草图的低成本路线。想读一篇同类的近期发布解析,Grok Imagine Image 2.0 在同一周给出了类似的 Arena 说法。

常见问题#

MAI-Image-2.6 是什么?

MAI-Image-2.6 是微软 AI 于 2026 年 8 月 10 日发布的文生图模型。微软称它在 Arena 文生图榜单上排名第二,整体较 MAI-Image-2.5 提升 +79 Elo,其中文字渲染提升 +91 Elo。

MAI-Image-2.6 与 MAI-Image-2.5 有什么不同?

微软称它在所有被测 Arena 类别上都有提升,并特别强调文字渲染、人像与 3D,以及产品、品牌和电影感方向上更完整的商业与写实输出。多参考图输入、更丰富的接地,以及对推理、格式和分辨率的更强控制被描述为"即将到来",暂无公开细节。

在哪里可以用 MAI-Image-2.6?

微软的公告称它已在 Arena 上提供文生图能力,当周晚些时候上线 MAI Playground,随后逐步覆盖 Microsoft Foundry 和其他产品。

OmniArt 上有 MAI-Image 吗?

没有。OmniArt 的图片模型列表里没有 MAI-Image。本文中的提示词模式与模型无关,可以在 OmniArt 提供的图片模型上使用。

MAI-Image-2.5 家族包含哪些?

三档:MAI-Image-2.5-Pro 面向物体一致性与视觉推理,MAI-Image-2.5 面向高质量生成与可控编辑,MAI-Image-2.5-Flash 被描述为价格不到旗舰一半、可直接投产。

这些提示词模式在别的模型上也有效吗?

有效。颜色名、明确数量、独立圈起来的背景区块、尺度参照物、一次一改的编辑,以及一个撑起构图的比喻,都是通用的提示词技巧。模型之间的差别在于每一条被遵守得有多稳,这值得在你实际用的模型上测一遍。

在 OmniArt 上开始#

打开 OmniArt 图片工作台,把同一个需求用上面四种模式里的两种各跑一遍——同一个想法的长结构化版本和短堆叠版本。主体保持不变,只改提示词的形式。这一次对比告诉你的东西,会比任何榜单名次都多。

接下来把编辑当成单独的一段工作:先定下一张图,然后一条提示词只改一件事,每一轮之后复查你在意的细节。OmniArt 把图片、视频、音频和音乐模型放在同一个工作台里,定稿的静态图可以直接进入动态环节而不用换工具——等到有新模型值得进入列表时,你已经练出来的提示词写法会跟着一起过去。

开始创作

继续阅读

返回栏目