← All posts / Models
English 繁體中文
Models 中

微軟 MAI-Image-2.6 躍居 Arena 第二名，緊追 GPT-Image-2

微軟最新文生圖模型從第十名跳升至 Arena 排行榜第二名，較前代提升 79 分 Elo 積分。

Microsoft OpenAI Research
微軟 MAI-Image-2.6 躍居 Arena 第二名，緊追 GPT-Image-2

2026 年 8 月 10 日，微軟 AI 發布了文生圖（text-to-image）模型 MAI-Image-2.6，這是該系列的最新版本。這款模型一經推出便在 AI 圖像生成領域引發轟動——它在 Arena 文生圖排行榜上直接奪得第二名，相較於前代 MAI-Image-2.5 的第十名可謂大幅躍升。目前，它僅次於 OpenAI 稱霸已久的 GPT-Image-2，後者自今年稍早以紀錄性成績問世以來便一直穩居榜首。

79 分 Elo 積分的飛躍

Arena 排行榜由 LMArena（前身為 Chatbot Arena）維護，透過盲測的並排人類偏好投票來排名文生圖模型。該平台累計已收集超過 590 萬張選票、涵蓋 77 個模型，被業界公認為生成式圖像品質最可靠的基準測試。

MAI-Image-2.6-preview 以 1336 ± 11 的 Elo 分數進榜，較 MAI-Image-2.5 大幅提升 79 分。雖然 GPT-Image-2 (medium) 仍以 1381 ± 5 的分數穩居龍頭，但第一與第二名之間的差距已顯著縮小——微軟正在加速追趕。

值得注意的是，這次提升在各類別中並不平均。根據 Arena 數據及微軟官方公告，最大的進步集中在三個長期以來被視為 AI 圖像生成器弱項的領域：

  • 3D 建模與影像：+114 分 Elo — 這是單一類別中最大的躍升，顯示微軟在空間理解和渲染管線上投入了大量資源。
  • 人像：+105 分 Elo — 人臉一直是生成模型的著名失敗模式，這次在皮膚質感、光線準確度和解剖結構一致性方面都有顯著改善。
  • 文字渲染：+91 分 Elo — 在圖像中生成清晰、拼寫正確的文字（標籤、海報、看板、包裝等）的能力提升了近一個層級。

文字渲染為何關鍵

圖內文字生成一直是該領域中最棘手的挑戰之一。早期的擴散模型經常在應該出現文字的地方生成亂碼——扭曲的字母、拼寫錯誤，或完全是虛構的字元。這個問題根源於擴散架構處理視覺標記（visual tokens）的方式：它們擅長處理連續紋理，卻難以應對書寫語言離散的符號特性。

自 2026 年 3 月最初的 MAI-Image-2 發布以來，微軟便一直在系統性地解決這個問題。該公司使用了一套開源的 3D 創作套件，手動渲染合成視覺和文字資料，建立了一個專門的訓練語料庫，目的是教導模型理解字母、文字和版面如何與光線、透視和表面材質交互作用。文字渲染 +91 分的提升表明，這項合成資料策略正隨著每次迭代產生複利效應。

對於商業應用場景——產品包裝打樣、廣告創意、資訊圖表生成——可靠的文字渲染是「能產出草稿概念」和「能產出可直接部署的成品」之間的分水嶺。微軟明確將 MAI-Image-2.6 定位為能夠「生成更精緻的商業與照片級真實輸出」，顯示該公司正在瞄準企業級創意工作流程。

競爭格局

Arena 排行榜清楚地描繪了當前文生圖 AI 的競爭態勢：

排名模型供應商Elo 分數
1GPT-Image-2 (medium)OpenAI1381 ± 5
2MAI-Image-2.6-preview微軟 AI1336 ± 11
3Grok-Imagine-ImageSpaceXAI約 1170 區間

OpenAI 的 GPT-Image-2 自發布以來一直是無可爭議的領導者，當時以領先對手 242 分的紀錄震撼業界。但微軟激進的迭代節奏——從 3 月的 MAI-Image-2，到 5 月下旬的 MAI-Image-2.5，再到 8 月的 MAI-Image-2.6——展現了一家決心透過快速、複利式的改進來縮小差距的公司，而非寄望一次性的超越。

同時，其他主要競爭者在圖像領域的表現相對遜色。Google 的 Imagen 系列、Meta 的產品，以及 SpaceXAI 的 Grok-Imagine 都落後於前兩名。不過 SpaceXAI 的重心已日益轉向代理式（agentic）產品，例如新發布的 Grok Bot。

可用性與整合

MAI-Image-2.6 在 Arena 上被標示為「preview」（預覽）模型，意味著它仍處於為生產部署做最終準備的階段。根據 Windows Forum 報導，該模型整合至微軟 Azure AI Foundry——該公司用於建構和部署 AI 模型的統一平台——的進度目前列為「待定」（pending），暗示完整的 API 存取和企業整合即將到來。

微軟將 MAI-Image 系列定位為需要精確文字渲染和深度場景細節的場景的首選模型。該模型已可透過 Azure AI Foundry 的模型目錄取得，供希望將高品質圖像生成整合到應用程式中的開發者使用。

意義與展望

MAI-Image 系列的快速進步軌跡反映了生成式 AI 的一個更廣泛趨勢：迭代速度正變得與架構創新同等重要。微軟並沒有在 MAI-Image-2.6 中重新發明輪子——它系統性地針對前代模型最弱的類別進行改善，並將它們轉化為優勢。結果是一款雖然尚未登頂，但改善速度足以讓 OpenAI 警惕的模型。

對開發者和企業而言，文生圖模型的成熟具有實際的商業意涵。隨著最優模型與次優模型之間的差距縮小，競爭將日益取決於原始品質以外的因素：定價、API 的易用性、整合深度，以及是否能大規模地產出一致且符合品牌安全標準的成果。微軟深厚的企業客戶關係和 Azure 整合能力，在這些維度上為它提供了結構性的優勢。

2026 年的文生圖競賽已不再關乎 AI 能否生成逼真的圖像——這場戰役基本上已經打贏了。新的前沿在於模型能否可靠地生成具備完美文字、準確人物和一致風格的生產級商業素材。在這方面，MAI-Image-2.6 剛剛顯著地推進了標竿。

Sources

延伸閱讀