Arena 排名解讀：三天內出現兩個「世界第二」

2026 年 8 月 7 日，xAI 發表 Imagine Image 2.0，寫著「它在文生圖和圖片編輯兩項上都排名世界第二」。

2026 年 8 月 10 日，微軟發表 MAI-Image-2.6，稱它「在 Arena 文生圖排行榜上排名第二」，並補上這個結果「讓 MAI-Image 穩穩地站在 Meta、Google 和 xAI 的領先模型之前」。

同一份排行榜。同一個名次。相隔三天。兩家公司都沒有說謊，而這兩句話之間的落差，是你今年能學到關於模型評測最有用的事情之一——因為你會讀到的幾乎每一則圖片模型宣稱，長得都像它們其中一句。

那三天裡實際發生了什麼

這兩則發表描述的是同一座梯子上的兩個時刻：

把它讀成一個序列而不是一組矛盾，這就只是一次名次變動：8 月 7 日第二名在 xAI 手上，到了 8 月 10 日被微軟拿走。微軟的措辭其實也承認了這次交接——點名 xAI 是它現在領先的對象之一，這比「我們是第二」更具體，而且正是這半句替另外那半句標上了日期。

兩家公司的註腳都老實。xAI 的圖表註記寫著「總體 Elo。來源：Arena Image Edit 和 Text-to-Image 排行榜（截至 2026 年 8 月 7 日）」。那個「截至」其實扛了很多重量，而大多數讀者會直接跳過。

措辭才是有意思的地方

兩句都正確的話，還是可以蓋成不同的落點。把它們並排看：

• 「世界第二」（xAI）是一個比它引用的那份排行榜更寬的框。它讀起來像是在陳述現實；把它收窄回某一天某一張圖表的，是那條註腳。
• 「領先 Meta、Google 和 xAI 的領先模型」（微軟）點的是競爭對手，而不是一個數字。這比一個名次更可被證偽——也更容易過期，因為它剛好邀請了下一次發表就會推翻的那組比較。
• 「文生圖和圖片編輯兩項上」（xAI）一次宣稱了兩份榜。微軟的宣稱只涵蓋一份。一個把兩則都快速掃過的讀者，合理地會得出 xAI 的結果比較寬的結論，而在 8 月 7 日那天確實如此。

這兩句都不是不誠實意義上的話術。它們都是發表文案在做發表文案該做的事：在為真的那幾種框法裡，挑最好看的那個。你身為讀者的工作，是察覺自己被遞到手上的是哪一個框。

還有一個陷阱：榜上的名字不一定是那家公司

xAI 自己的註腳裡有一個值得記住的細節：「xAI 的模型在 Arena 上是以 SpaceXAI 這個名字列出的。」

如果你為了查證而去排行榜上找 "xAI"，你不會找到。這不是單一服務商特有的現象——模型會以實驗室名稱、內部代號，或測試期間的匿名別名出現，而你正在比較的某個模型，可能就掛在一個你認不出來的名字底下。一個你定位不到的名次，就是一個你無法查證的名次。

Arena Elo 到底在測什麼

Arena 這類排行榜跑的是盲測兩兩比較：一個人看到同一句提示詞的兩份輸出，不知道哪一份出自哪個模型，然後選一份。這些票餵給一套 Elo 評分，跟西洋棋用的是同一套機制。

這個設計有真正的強項。它很難用精挑細選的樣本作弊，它捕捉的是整體的人類偏好而不是某個代理指標，而且模型真的變好時它會動。微軟報告的 MAI-Image-2.6 相對 MAI-Image-2.5 的 +79 Elo，是一個有意義的訊號：在一組混合的提示詞上，人們比較偏好它的輸出。

它同時也有一些被單一名次藏起來的結構性特質：

• 它是一個滾動的數字。 票進來，評分就持續更新。一個名次是一張截圖，不是模型的屬性。
• 名次會壓縮距離。 第二和第三之間可能只差幾點 Elo——遠在信賴區間之內——也可能差一大截。序數本身完全不告訴你是哪一種。
• 那組提示詞不是你的提示詞。 整體偏好是在投票族群剛好送出的那些東西上算出來的。如果你的工作是泰文包裝設計，那個族群幾乎沒有代表到你。
• 偏好不等於適用。 投票者在幾秒鐘內、沒有需求說明的情況下，挑他們比較喜歡的那張圖。他們不會去檢查標誌有沒有活下來、一張臉有沒有重現，或文字在法律上是否正確。

一個名次告訴不了你的五件事

一個總體名次是真實的結果，卻是很差的採購依據。它不會告訴你：

1. 它在你那個分類贏不贏。 人像、字體排印、產品和插畫，各自的領先者可能都不一樣。微軟把文字算繪單獨拆出來報告（+91 Elo），正是因為分類結果和總體結果會分岔。
2. 它多少錢。 MAI-Image-2.5 的模型頁把「Image Arena Elo 對每千張圖片的代表性 API 價格」畫成一張圖——服務商自己就把每一塊錢的品質當成真正的軸。一個名次裡面沒有價格。
3. 你用不用得到。 開放程度、API 存取、速率限制和商用條款，都跟品質是分開的。一個模型可以既是第二名，又對你不開放。
4. 它怎麼壞。 兩個評分相同的模型，壞的方式可能完全相反——一個在長相上漂移，一個把小字弄爛。對你的流程來說，它們的失敗模式比平均值重要得多。
5. 那個差距是不是真的。 沒有信賴區間，「第二」和「第四」在統計上可能分不出來。

該用什麼取代它：你自己的驗收需求

排行榜是拿來拉入圍名單的合理方法，卻是拿來做最終決定的爛方法。取代它的做法很便宜，大約一小時就能做完。

寫一份代表你真實工作的需求，然後除了模型以外，其他全部固定住：

1. 挑一件真正的工作，不是展示用的點子——你真的要出的那個包裝、真的會重複出現的那個角色、真的帶法律聲明那行字的那張海報。
2. 先寫下通過／不通過的判準，在你看到任何輸出之前。「主標拼寫正確、層次撐得住、帶重音符號的字元算得出來」是可以檢查的。「看起來不錯」不行。
3. 提示詞、參考圖、畫面比例和 Seed 在各個模型之間保持一致。 唯一的變數是模型。
4. 每個模型生成好幾份輸出，不是一份。單一次的好運氣，跟一份發表用的作品集是同一種證據。
5. 測你最怕的那種失敗。 如果你的風險在長相一致，就把同一張臉跑六次。如果在文字，就拿你最長的字串、用你最難的文字系統跑。
6. 把結果連同日期寫下來。 你自己的筆記跟排行榜一樣會老，而你會想知道自己上次查是什麼時候。

這套流程回答的是一個名次答不出來的問題：這個模型在我需要的那件具體的事情上好不好，價格我付不付得起，就在今天？

想看一個把服務商宣稱對照公開證據來讀的實例，可以看我們對微軟公布的那四句提示詞的拆解，以及我們的 Grok Imagine Image 2.0 發表分析——這兩次發表正是本文的主角。想看版面和寫實感的當期正面對決，GPT Image 2 對 Nano Banana 2 比較的是兩個你今天就能跑的模型。

常見問題

Arena 排行榜是什麼？

Arena 是一個公開的評測平台，用盲測的兩兩人類偏好投票來替 AI 模型排名。同一句提示詞的兩份輸出在不顯示模型名稱的情況下並排呈現，由人挑一份，這些票再產生出 Elo 評分和序數排名。

兩個模型怎麼可能都是第二名？

因為評分是持續更新的，而每一則宣稱都是一張快照。xAI 的宣稱標的日期是 2026 年 8 月 7 日，微軟的則發佈於 2026 年 8 月 10 日。在這兩個日期之間，第二名換了手——微軟自己的發表內容，也因為把 xAI 列進它領先的對象裡而暗示了這件事。

Elo 是衡量圖片模型品質的好指標嗎？

它是衡量整體盲測人類偏好的好指標，那是一個真實而且不容易造假的訊號。它不是分類表現、成本、延遲、開放程度，或針對某一份具體需求的可靠度的指標，而且它標頭上的那個數字不帶信賴區間。

為什麼我在 Arena 排行榜上找不到 xAI？

xAI 在自己的發表內容裡註明，它的模型在 Arena 上是以 SpaceXAI 這個名字列出的。服務商經常以實驗室名稱或別名出現，所以某個模型可能掛在一個對不上你搜尋的那家公司的名字底下。

我該根據排行榜名次挑模型嗎？

用名次拉出入圍名單，然後用你自己的需求做決定。把同一組提示詞、參考素材、畫面比例和通過／不通過判準跑過兩三個候選，再拿你真的要交出去的作品去評判那些輸出。

一則排行榜宣稱能撐多久？

沒有固定答案，但這篇文章自己的例子三天就翻盤了。任何沒有日期的排名宣稱都當成歷史看待，而且在做出依賴它的決定之前重新查一次。

在 OmniArt 上開始

務實的做法是別再比較發表內容，開始比較輸出。打開 OmniArt 圖片工作台，拿一份你真的得交出去的需求，用完全相同的輸入和一份你事先寫好的通過／不通過清單，跑過兩個模型。

OmniArt 把圖片、影片、音訊和音樂模型放在同一個工作台裡，所以一份入圍名單會變成一次並排測試，而不是一個橫跨四個網站、四個帳單頁面的研究專案。等到下個月排行榜又翻一次——它一定會——你已經知道哪個模型做得了你的工作，而那才是唯一付得出錢來的排名。