MAI-Image-2.6 的提示詞：來自 Microsoft AI 的四堂課

2026 年 8 月 10 日，Microsoft AI 發表 MAI-Image-2.6，並表示它在 Arena 的文字生成圖片排行榜上排名第二，整體比 MAI-Image-2.5 高出 79 Elo，其中光是文字生成就高出 91 Elo。這是標題，而跟大多數排行榜標題一樣，它很快就會過期。

這次發布裡保存期限比較長的部分安靜得多：在 MAI-Image-2、MAI-Image-2.5 和 MAI-Image-2.6 的頁面上，微軟把範例圖背後真正的提示詞公開了出來。那些提示詞不是隨手湊的一批，而是四種明顯不同的、對圖片模型說話的方式，每一種都在做一件特定的事——描述、壓縮、編輯和引用。

MAI-Image 不在 OmniArt 的模型選單裡，所以這不是一篇你在這裡跑得到的模型評測，而是對這批提示詞手藝的解讀，因為手藝是可以搬走的。下面四種寫法在任何一個夠強的當代圖片模型上都成立，而每一堂課的形狀都一樣：你放進提示詞裡的東西，決定了你會拿到哪一種失敗。

MAI-Image 2、2.5 和 2.6 各交付了什麼#

不到五個月三次發布，每一次的重心都不一樣：

MAI-Image-2.5 還分出了一個家族：2.5-Pro 負責物件一致性和視覺推理，2.5 負責生成加上可控編輯，而 2.5-Flash 微軟形容為「以不到旗艦一半的價格達到可上線的程度」。2.5 的模型頁面畫的是「Image Arena Elo 對每千張圖的代表性 API 價格」，這就告訴你團隊在優化什麼：不只是巔峰畫質，而是每一塊錢買到的畫質。

至於 2.6，微軟說還有些東西尚未細講——「從跨多份參考素材運作、更豐富的定位，到對推理、格式和解析度更強的控制」。在那些真的公開之前，那是路線圖聲明，不是規格。

第一課：長的結構化提示詞，讓每個事實各佔一格#

MAI-Image-2.5 頁面上那張照片級寫實範例背後的提示詞大約 90 個字，而它的結構比長度更有意思：

再讀一次，但把它當成一種格式，而不是一段句子。第一句是主體、姿勢、動作和天空。第二句是頭髮和服裝。第三句是道具，一手一個。第四句是一個可數的元素。接著一個帶標籤的區塊——Behind her:——把所有環境資訊收進去，最後用兩個字的風格指令收尾。

這個結構裡有三件事真的在做工：

• 用指名的顏色，而不是形容詞。 「Hot pink」、「neon lime-green」、「dark navy」、「gold」、「flat gray」。不是「明亮」，不是「多彩」。一個顏色名字是模型可以滿足、也可以明顯失敗的約束；「鮮豔」不是。
• 用數字，而不是量詞。 「Five iridescent bubbles of varying sizes」是查得了的。「一些泡泡」不是。在公開的成品裡數量守住了——你可以站在圖前面一顆一顆數，這正是重點。
• 背景有自己的容器。 Behind her: 把環境圍起來，讓它的細節沒辦法滲進主體描述。長提示詞失敗，通常就是因為模型得猜某個修飾語到底屬於哪個名詞。

風格關鍵詞放在最後，排在內容之後，所以它修飾的是一個已經完全指定好的場景，而不是反過來去帶動構圖。

第二課：短提示詞用一個比喻把構圖買下來#

MAI-Image-2 的發布公告貼出了一條非常不一樣的提示詞——大約 30 個字，沒有完整句子，只有排好序的短語：

第一個短語就是整個訣竅。「Like a cathedral interior」不是裝飾，而是一條偽裝成隱喻的構圖指令。一座教堂帶來拱頂天花板、往後退去的中殿、拱門、對稱，以及從遠端射進來的光。成品五樣都有，只是用冰做的。要把那個版面直白地寫出來，得花三十個字，而且大概還更僵硬。

第二個好用的招數是 tiny human figure at base for scale。尺度是圖片模型最容易搞丟的東西，因為紋理本身不會告訴你它有多大。一個被指名的人形參考放在一個被指名的位置，四個字就把它釘住了；而成品裡那件紅外套做的構圖工作，比任何「史詩、巨大、宏偉」都多。

尾巴上那幾個詞——cinematic、cold mist in air、hyper-real detail——是氛圍和算繪指令，放在最後的理由，和第一課裡風格關鍵詞放最後是同一個。

所以這兩條提示詞不是彼此的好版本和壞版本，而是不同的工具：

第三課：在編輯裡，一條提示詞只做一個改動#

MAI-Image-2.5 的頁面用三條提示詞示範編輯，而最醒目的是每一條都非常小：

這是第一條的前後對照：

這條提示詞只有六個字：一個動詞、一個指名的物件、一個目標值。它沒有順便要求換背景、換角度，或把光線弄好。這種克制就是技術本身，因為在一次編輯裡，模型最難的工作是保留，不是改變。 你在指令裡多加的每一樣東西，都是它可能決定重做的另一樣東西。

也注意那個物件是被指名的。「The tote」給了模型一個毫不含糊的指涉對象。「把它變成橘色」則會讓模型在包、桌子和牆之間自己選。

第三條提示詞——把主體搬到紐約——看起來是大得多的操作，確實也是。但它仍然是一個操作，而且仍然指名了必須保留的東西：「the woman」。一條同時還改了她的穿搭、換了時段的搬遷提示詞，會讓你完全無從判斷是哪一條指令造成了糟糕的結果。

第四課：文化引用很便宜，而且它只買得到場景#

公開的提示詞裡最短的一條只有八個字：

八個字重建了一個非常具體的場景：斑馬線、往後退去的林蔭道路、停在左邊的白色 VW 金龜車、年代感的車輛、穿六〇年代大衣的行人，還有那個平正的正面取景。要把這些一字一句寫出來，得花一整段，而且大概還是會漏掉金龜車。微軟把這件事歸在「世界知識與推理」底下，這個框架是對的——一個廣為人知的引用，是你能拿到最壓縮的提示詞單位。

它同時也是最不可控的，而這個例子正好指出了界線在哪裡。比較兩張圖：原圖是一隻米色短毛、耳朵大而豎立的吉娃娃，背景全黑。成品是一隻白棕相間的狗，毛不一樣、比例不一樣、耳朵也不一樣。那個引用買到了場景，卻沒有保住主體。

這個區別就是實務上的收穫。引用式的速記非常適合建立一個世界——一個類型、一個年代、一套打光慣例、一種版面。它對識別則不可靠。如果某張臉、某隻寵物、某個產品或某個包裝一定要活下來，那個需求就該寫在明確的描述裡，或走參考素材的流程，而不是託付給一個文化典故。

還有兩個要放在心上的但書：引用只有在模型認得它的時候才有效，所以冷僻或地域性的引用會無聲地退化成通用畫面；而知名影像帶著權利問題，那不是一條提示詞替你解決得了的。

為什麼文字生成變成了那個標題數字#

2.6 發布裡的所有東西之中，微軟選擇單獨拉出來講的是文字：+91 Elo，高於整體的 +79 Elo。這是刻意的強調，而範例作品說明了原因。

把標題拼對只是簡單的那一半。上面那張海報還撐住了一個帶重音的法文地名、一個評級裡的星號、一串用逗號分隔的日期，而最重要的是一套層級：日期行從屬，標題主導，插畫拿到上面三分之二。一個拼字完美、卻把每一塊文字都給同樣分量的模型，做出來的版面照樣不能用。

這是圖片生成裡最貼近付費工作的部分，也是為什麼 2.5 頁面上的合作夥伴引言都圍著它打轉。WPP 的全球創意長 Rob Reilly 把文字準確度和自然語言編輯並列，稱它是「真正的突破」；Shutterstock 的 Vanessa Salvo 則把關鍵指標定義成模型能不能「把意圖轉換成一致、可上線的成品」。包裝、海報、菜單和行銷素材，全都是先敗在排版，才敗在照片級寫實。

「Arena 第二名」告訴你什麼、又沒告訴你什麼#

Arena 的結果是盲測的人類偏好比較，所以一次大幅的 Elo 跳升，確實是「人們在一組混合提示詞上比較喜歡這些成品」的真實訊號。這是貨真價實的結果，而大約兩個月內漲 79 Elo 也爬得很快。

它同時也只是一個彙總數字。微軟的公告沒有公布各類別的 Elo 值、信賴區間、提示詞集的規模，也沒有說排在它上面的是哪個模型。截至 2026 年 8 月 14 日，一個團隊在把流程押上去之前需要的幾件事，都還沒公開：

• 2.6 級距的每張圖 API 價格
• 原生和最大輸出解析度
• 生成與編輯的延遲數字
• 被形容為「即將推出」的多參考素材和定位能力
• 那些 Elo 差距背後的技術報告

對 2.6 誠實的解讀是窄的，但依然有用：微軟把這個家族迭代得很快，而且把進步瞄準了商業成品——文字、人像、產品、品牌——而不是奇觀。

在 OmniArt 上跑這四種寫法#

MAI-Image 目前不在 OmniArt 的圖片工作台裡。那些提示詞寫法在，而且它們不挑模型。照你的 brief 實際上屬於四件工作中的哪一件來挑：

一個很有用的練習：把上面那條頂樓提示詞原封不動跑一次，然後再跑一次，這次把顏色換成形容詞（「一個粉紅色瓶子」、「一支綠色吹棒」），把數量換成「一些泡泡」。這兩份成品之間的落差，就是結構的價值——而且是在你自己的模型上量出來的，不是在發表會的展示圖裡。

想看版面和照片級寫實的當代對決，請看 GPT Image 2 對比 Nano Banana 2。想做參考素材驅動的一致性，Seedream 5.0 Pro 發表指南講了它的輸入和控制項，而 Qwen Image 指南則是早期草稿的低成本路線。想讀一次可比較的近期發表，Grok Imagine Image 2.0 在同一週提出了類似的 Arena 說法。