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：

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：

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.

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。

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：

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

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：

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：

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

下面是第一条的改前与改后：

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。

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：

Chihuahua in Abbey Road album cover with moptop wig

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。

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

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：

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。