MAI Image 2.7 zapowiedź: funkcje, benchmarki i dostępność API

TL;DR

MAI-Image-2.7-Preview to model Microsoftu do edycji obrazów oparty na AI, wprowadzony 27 października 2026 r. Koncentruje się na kontrolowanych zmianach istniejących obrazów, obejmujących oświetlenie, styl wizualny, obiekty i typografię.

Microsoft ogłosił MAI Image 2.7 jako nr 3 na Arena Edit i nr 2 na Artificial Analysis. W migawce z 28 października 2026 r., przeanalizowanej na potrzeby tego artykułu, model uzyskał 1,193 Elo na Artificial Analysis i zajął drugie miejsce. Dla projektantów jego wartość polega na możliwości wprowadzania znaczących zmian przy zachowaniu elementów, które już działają.

Deweloperzy mogą oceniać model na publicznych platformach testowych, ale Microsoft nie ogłosił publicznego API 2.7 ani cen na dzień 28 października 2026 r.

Key Takeaways

• Wydany 27 października 2026 r.: Microsoft wprowadził MAI-Image-2.7-Preview jako następcę MAI-Image-2.6 skoncentrowanego na edycji.
• 1,193 Elo na Artificial Analysis: Model zajmuje drugie miejsce na AA-Image-Editing v2.1, sześć punktów za GPT Image 2.5 Sunburst.
• Szersze zyski w edycji: Microsoft raportuje poprawy we wszystkich 10 ocenianych przypadkach użycia i siedmiu działaniach edycyjnych, a nie tylko w jednym rodzaju edycji.
• Zaawansowane możliwości edycji: Model celuje w restyling sceny, relighting, edycję tekstów i symboli, modyfikacje oparte na rozumowaniu oraz restaurację obrazu.
• Oceń przed integracją: Przetestuj MAI-Image-2.7-Preview względem własnych wymagań dotyczących zachowania; użyj dostępnego API, gdy Twoja aplikacja potrzebuje wdrożenia już dziś.

What Is MAI-Image-2.7-Preview?

MAI-Image-2.7-Preview to własnościowy model edycji obrazów opracowany przez Microsoft AI. Należy do rodziny MAI Image Microsoftu, obejmującej wcześniejsze modele zaprojektowane do generowania obrazów, edycji i kreatywnych przepływów pracy zorientowanych na produkcję.

Zamiast zastępować cały obraz, model został zaprojektowany do wykonywania ukierunkowanych edycji przy zachowaniu spójności wizualnej pierwotnej sceny.

Na przykład projektant może umieścić produkt w nowym środowisku, zachowując jego opakowanie, logo i proporcje. Fotograf może chcieć zmienić oświetlenie bez zniekształcania obiektu. Zespół marketingowy może potrzebować wymienić tekst na istniejącej reklamie, zachowując jej układ.

MAI-Image-2.7-Preview specifications

Microsoft nie ujawnił architektury, liczby parametrów, maksymalnej rozdzielczości ani limitu obrazów referencyjnych w zapowiedzi preview. Wcześniejsze specyfikacje MAI nie powinny być traktowane jako potwierdzone limity dla wersji 2.7.

What Can MAI-Image-2.7-Preview Do?

Microsoft twierdzi, że model osiąga czołówkę kategorii w czterech obszarach: ulepszanie i restauracja, edycje oparte na rozumowaniu, edycja scen i stylu oraz edycja tekstów lub symboli.

Scene and style editing

MAI-Image-2.7-Preview może modyfikować ogólny wygląd istniejącego obrazu, w tym jego otoczenie, styl artystyczny, oświetlenie i nastrój.

Rozważ zdjęcie produktu wykonane na jednolitym tle studyjnym. Projektant może chcieć przekształcić otoczenie w scenę premium na świeżym powietrzu, zachowując sam produkt.

Udany rezultat wymaga czegoś więcej niż zmiany tła. Kierunek oświetlenia, refleksy, cienie, perspektywa i kolory muszą pozostać spójne.

Microsoft raportuje 24-punktową przewagę Elo w edycji sceny i stylu nad kolejnym najlepszym modelem w tej kategorii. Ten wynik sprawia, że zmiany tła i relighting są użytecznymi punktami startowymi do własnej oceny.

Text and symbol editing

Modele AI do obrazów często mają trudności z modyfikacją tekstu już osadzonego w obrazie.

Zastąpienie etykiety może przypadkowo zmienić jej typografię, pozycjonowanie, perspektywę lub otaczający projekt. Nawet gdy zamienne słowa są poprawne, edytowany obszar może wyglądać na sztucznie wklejony w oryginał.

MAI-Image-2.7-Preview koncentruje się na zmianie tekstów i symboli przy zachowaniu ich wizualnej integracji.

Prawdopodobne zastosowania obejmują opakowania produktów, reklamy, plakaty promocyjne, grafiki do prezentacji i makiety interfejsów.

Dla firm tworzących wielojęzyczne materiały marketingowe może to być szczególnie wartościowe. Jednak niezawodność modelu w różnych językach i złożonej typografii wciąż wymaga testów zorientowanych na konkretne zadania.

Reasoning-based image editing

Niektóre edycje obrazów wymagają zrozumienia, jak obiekty oddziałują ze swoim otoczeniem.

Na przykład przeniesienie obiektu refleksyjnego do innego środowiska może wymagać skoordynowanych zmian oświetlenia, cieni i pobliskich powierzchni.

Model edycyjny może technicznie wykonać instrukcję, jednocześnie tworząc niespójną scenę.

MAI-Image-2.7-Preview został zaprojektowany do obsługi edycji obejmujących relacje między obiektami, oświetleniem i środowiskami.

Image enhancement and restoration

Typowe przepływy pracy obejmują przywracanie starych fotografii, ulepszanie niskiej jakości obrazów produktów, dopracowywanie zasobów kreatywnych i korygowanie niedoskonałości wizualnych.

Restauracja AI może wymyślać wiarygodne detale. Do prac archiwalnych lub dowodowych zachowaj oryginał i wyraźnie oznaczaj wygenerowane zmiany.

Są to kategorie możliwości, a nie gwarancje perfekcyjnych rezultatów. Rzeczywista dokładność edycji zależy od obrazu źródłowego, złożoności polecenia i kryteriów oceny.

How Does MAI-Image-2.7-Preview Perform on Benchmarks?

MAI-Image-2.7-Preview pojawił się na dwóch głównych platformach oceny edycji obrazów: Artificial Analysis i Arena.

Obie wykorzystują podejścia oparte na preferencjach, ale mają różne zbiory danych, skale punktacji i metodologie głosowania.

Ich wyniki Elo należy porównywać w obrębie każdego rankingu, a nie bezpośrednio między platformami.

Artificial Analysis: AA-Image-Editing v2.1

Artificial Analysis ocenia, jak dobrze modele obrazowe modyfikują obraz wejściowy w odpowiedzi na instrukcje tekstowe.

AA-Image-Editing v2.1 szereguje modele na podstawie parowych głosów preferencji ludzi w zadaniach edycji obrazów. Są to wyniki z zewnętrznej platformy, a nie wewnętrzne benchmarki Microsoftu.

Migawka z 28 października 2026 r. pokazuje:

Tabela zachowuje opublikowane ustawienia modeli, w tym ustawienie max dla GPT Image 2.5. Wartości ± to wyświetlane 95% przedziały niepewności. Ranking nie zapewnia wspólnego środowiska sprzętowego ani testu opóźnień, więc te wyniki opisują preferencje edycyjne, a nie szybkość przetwarzania.

MAI-Image-2.7-Preview uzyskuje 42 Elo więcej niż MAI-Image-2.6, 11 więcej niż Flare i sześć mniej niż Sunburst na tym leaderboardzie.

Jednak przedziały ufności nakładają się wśród wiodących modeli. Różnica sześciu punktów nie dowodzi, że Sunburst będzie konsekwentnie przewyższać MAI-Image-2.7-Preview w każdym zadaniu edycyjnym.

Arena Edit: Image editing

Arena również mierzy preferencje użytkowników poprzez ślepe porównania.

Poniżej przedstawiono ogólne wyniki edycji pojedynczego obrazu widoczne 28 października 2026 r. Tabela zachowuje etykiety Arena jako wstępne tam, gdzie są wyświetlane.

Wyświetlane wyniki plasują 2.7 Preview 44 Elo powyżej 2.6 i 11 Elo powyżej GPT-Image-2 (Medium).

Dla dodatkowych punktów odniesienia API deweloperzy mogą uzyskać dostęp do GPT Image 2 i Grok Imagine Image 2.0 API. Medium w wpisie Arena dla GPT Image 2 identyfikuje ustawienie ewaluacyjne, a nie oddzielną nazwę modelu API.

Wyniki Arena są na żywo i mogą się zmieniać w czasie; poniższe liczby odzwierciedlają migawkę z 28 października ocenioną na potrzeby tego artykułu.

Commercial design performance

Kategoria Product, Branding & Commercial Design w Arena jest szczególnie istotna, gdy wynik musi działać jako reklama lub zasób produktowy.

W kategorii Product, Branding & Commercial Design w dniu 28 października 2026 r. MAI-Image-2.7-Preview zajmował trzecie miejsce z wynikiem 1,499 Elo — 55 punktów przed 2.6, który był ósmy. Przy zaledwie 718 głosach i szerszym przedziale niepewności wynik jest wczesnym sygnałem do testów względem własnych wymagań projektowych.

Oba rankingi pokazują silniejszą wydajność edycyjną niż MAI-Image-2.6 i konkurencyjne wyniki wobec wiodących modeli. Prędkość produkcyjna, niezawodność i koszt nadal wymagają oddzielnych testów API.

MAI-Image-2.7-Preview vs MAI-Image-2.6

MAI-Image-2.6 był wcześniej udostępniony deweloperom przez Microsoft Foundry, z wariantem Flash oferowanym oddzielnie. Ten kamień milowy API jest odrębny od sierpniowego miesiąca wydania odnotowanego przez Artificial Analysis.

MAI-Image-2.6 i jego wariant Flash wprowadziły funkcje skierowane do deweloperów, takie jak edycja z wieloma obrazami referencyjnymi, web grounding, dynamiczne proporcje obrazu i rozdzielczości wyjściowe do 1.5K.

Preview 2.7 przesuwa nacisk wydania w kierunku wydajności edycji.

Microsoft raportuje zyski we wszystkich 10 ocenianych przypadkach użycia i siedmiu działaniach edycyjnych. Praktyczne pytanie brzmi, czy te zyski poprawiają edycje, które Twój zespół wykonuje najczęściej.

Poprzedni model pozostaje istotny dla deweloperów, którzy potrzebują udokumentowanego API do generowania obrazów i ugruntowanych integracji produkcyjnych.

How to Access and Try MAI Image 2.7

Microsoft wskazuje MAI Playground, Arena i Artificial Analysis jako drogi do eksploracji wersji preview. Zacznij od Playground dla własnego obrazu, a platform użyj do porównywania preferencji i wyników.

MAI Playground to środowisko bezpośrednich eksperymentów Microsoftu dla modeli MAI.

Gdy preview jest dostępne dla Twojego konta i regionu, zamierzony przepływ pracy polega na wybraniu modelu edycji, dostarczeniu istniejącego obrazu i opisaniu pożądanych zmian.

Przydatnym pierwszym eksperymentem jest edycja z jedną główną zmianą i kilkoma wyraźnymi wymaganiami dotyczącymi zachowania.

Przykładowy prompt:

Zastąp tło tego zdjęcia produktu nowoczesnym luksusowym wnętrzem sklepu. Zachowaj dokładne proporcje produktu, logo, tekst na opakowaniu i kąt kamery. Dopasuj oświetlenie i cienie do nowego otoczenia. Nie wprowadzaj dodatkowego tekstu.

A repeatable testing method

Aby sensownie ocenić model, używaj tych samych obrazów źródłowych i instrukcji w konkurencyjnych edytorach.

Do wstępnej selekcji zbierz 20–50 reprezentatywnych zadań obejmujących zmiany produktów, typografię, relighting, restaurację i kompozycje wieloobiektowe. To praktyczny zestaw startowy, a nie statystycznie zweryfikowany wymóg liczby próbek.

Oceniaj wyniki w czterech wymiarach:

• Instruction accuracy: Czy model wprowadził żądane zmiany?
• Preservation: Czy nietknięte elementy pozostały spójne?
• Visual realism: Czy oświetlenie, perspektywa i kompozycja wyglądają naturalnie?
• Output acceptance: Czy możesz użyć wyniku bez dalszych poprawek?

Do oceny ukierunkowanej na produkcję należy również rejestrować opóźnienia i koszt, gdy tylko dostępne będzie odpowiednie API.

Is MAI-Image-2.7-Preview API Available, and What Does It Cost?

Na dzień 28 października 2026 r. Microsoft nie ogłosił publicznego punktu końcowego API, cennika ani daty dostępności ogólnej dla MAI Image 2.7. Artificial Analysis oznacza preview jako No API available.

Na potrzeby planowania produkcji nierozstrzygnięte szczegóły obejmują identyfikator modelu wdrożeniowego, limity obrazów, limity szybkości, rozliczanie i specyficzne warunki użytkowania preview.

Microsoft informuje, że generowanie tekst-na-obraz jest w drodze. Jeśli Twoja aplikacja potrzebuje teraz zarówno generowania, jak i edycji, wybierz udokumentowane API i traktuj 2.7 jako oddzielnego kandydata do oceny.

Image Editing with CometAPI

Dla deweloperów, którzy potrzebują edycji obrazów w produkcji już dziś, CometAPI oferuje dostęp API do kilku sprawdzonych alternatyw.

API GPT Image 2.5 w CometAPI obsługuje generowanie i edycję obrazów przez punkty końcowe kompatybilne z OpenAI.

Pozwala to zweryfikować przepływ pracy edycyjnej teraz i oddzielnie ocenić MAI Image 2.7, gdy Microsoft zapewni wspierany interfejs deweloperski.

Example: Editing an existing image with CometAPI

Uruchom to żądanie w Bash z ważnym kluczem CometAPI i plikiem product.png w bieżącym katalogu. Zapisuje odpowiedź JSON do edit-response.json.

export COMETAPI_KEY="YOUR_COMETAPI_KEY"

curl --fail-with-body \
  "https://api.cometapi.com/v1/images/edits" \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -F "model=gpt-image-2.5-sunburst" \
  -F "image[]=@product.png" \
  -F "prompt=Preserve the product, logo, and camera angle. Replace only the background with a premium studio environment. Match the original lighting naturally." \
  -F "quality=high" \
  -F "output_format=png" \
  --output edit-response.json

Zgodnie z formatem odpowiedzi CometAPI, edytowany obraz jest zwracany jako wartość Base64 w data[0].b64_json. Zdekoduj tę wartość Base64 do pliku PNG; sama odpowiedź JSON nie jest obrazem. Jeśli cURL zgłasza błąd HTTP, sprawdź treść odpowiedzi przed ponowną próbą.

Production evaluation metrics

Użyteczną miarą efektywności produkcyjnej jest koszt na zaakceptowany obraz, a nie tylko koszt na żądanie.

Na przykład załóżmy, że usługa edycyjna tworzy 100 obrazów przy średnim całkowitym koszcie 0,10 USD za każdy.

Jeśli tylko 70 przechodzi przegląd jakości, to:

Cost per accepted image = $10 / 70 = approximately $0.143.

Jeśli poprawa jakości edycji podniesie współczynnik akceptacji do 90% przy tym samym koszcie na żądanie, efektywny koszt spada do około 0,111 USD na zaakceptowany obraz.

Ten hipotetyczny przykład izoluje efekt współczynnika akceptacji; założenie wejściowe 0,10 USD nie jest ofertą dla żadnego modelu.

Przykład pokazuje, dlaczego dokładność edycji może mieć takie samo znaczenie jak nagłówkowa cena API.

FAQ

Jak postępować z zniekształconym logo w edycji MAI-Image-2.7-Preview?

Wróć do oryginalnego obrazu, zawęż żądaną zmianę i wyraźnie zaznacz, że logo i tekst na opakowaniu muszą pozostać niezmienione. Porównaj odpowiedni kadr z oryginałem w pełnej rozdzielczości. Jeśli model nadal zmienia krytyczne dla marki detale, zachowaj te elementy poprzez osobny etap kompozycji lub użyj konwencjonalnego edytora dla tego obszaru. Wizualnie atrakcyjny wynik nie jest wystarczający, gdy logo musi być dokładne.

Czy powtarzane edycje MAI-Image-2.7-Preview mogą kumulować błędy?

Powtarzane edycje generatywne mogą wprowadzać dryf, nawet jeśli każdy pojedynczy wynik wygląda wiarygodnie. Zachowaj nietknięte źródło i zapisuj wersje po każdej zaakceptowanej edycji. Dla nowej wariacji porównaj start od oryginału z kontynuowaniem od ostatniego wyniku; wybierz ścieżkę, która zachowuje detale wymagane przez Twój projekt. Nie zakładaj, że wcześniejsza udana edycja gwarantuje spójność w dłuższej sekwencji.

Jak uczciwie porównać wyniki MAI-Image-2.7-Preview?

Ukryj nazwy modeli podczas przeglądu i losowo ustaw kolejność rezultatów. Uzgodnij kryteria odrzucenia zanim recenzenci zobaczą obrazy i rejestruj zarówno niepowodzenia, jak i preferowane wyniki. Jeśli dopuszczasz ponowne próby, daj każdemu modelowi ten sam budżet prób i uwzględnij wszystkie podejścia w kalkulacji kosztów. Zmniejsza to ryzyko faworyzowania modelu z powodu wybrania jednego wyjątkowo mocnego wyniku.

Czy restauracja MAI-Image-2.7-Preview zachowuje prawdę historyczną?

Przywrócony obraz może zawierać wiarygodne detale, które nie były widoczne w źródle. Zachowaj oryginał obok edytowanej wersji i odróżnij kosmetyczną poprawę od rekonstrukcji faktów. W projekcie archiwalnym lub dokumentalnym zarejestruj żądane zmiany i zidentyfikuj wygenerowane detale, zamiast traktować przywrócony obraz jako nowe świadectwo o pierwotnej scenie.

Conclusion

Oceń MAI-Image-2.7-Preview, jeśli Twój przepływ pracy zależy od wprowadzania znaczących edycji przy zachowaniu kluczowych detali wizualnych. Użyj reprezentatywnych obrazów źródłowych, aby zmierzyć jakość zachowania i akceptację wyników. Jeśli potrzebujesz integracji API dziś, wybierz dostępny model i wróć do 2.7, gdy Microsoft opublikuje dostęp deweloperski i cennik.