Solutions Choose your path
For individuals Build, learn, and create with simple usage-based access. For business Scale teams, billing, governance, and model workflows. More English 繁體中文 日本語 한국어 Français Deutsch Español Italiano Português Русский العربية ไทย Tiếng Việt Bahasa Indonesia Bahasa Melayu Türkçe Polski Nederlands Danish Norsk Қазақ اردو
免費開始 免費開始
500+ AI Model API, All In One API.
Just In CometAPI © 2026 CometAPI · All rights reserved
Home Blog MAI Image 2.7 預覽：功能、基準測試與 API 可用性 ai-model / CometAPI 研究
MAI Image 2.7 預覽：功能、基準測試與 API 可用性 瞭解 Microsoft 的 MAI-Image-2.7-Preview、其影像編輯功能、1,193 Elo 基準分、與 GPT Image 2.5 的比較、API 可用性與定價。
Deon Goodwin AI 模型與 API 研究團隊 瞭解 Microsoft 的 MAI-Image-2.7-Preview、其影像編輯功能、1,193 Elo 基準分、與 GPT Image 2.5 的比較、API 可用性與定價。
先用這個摘要快速掌握答案，再閱讀指南取得背景、範例與實作細節。
from openai import OpenAI
client = OpenAI(
api_key="YOUR_COMETAPI_KEY",
base_url="https://api.cometapi.com/v1",
)
response = client.chat.completions.create(
model="gpt-5-mini",
messages=[{"role": "user", "content": "Build this workflow."}],
)
print(response.choices[0].message.content)重點摘要
MAI-Image-2.7-Preview 是 Microsoft 的 AI 圖像編輯模型，於 2026 年 10 月 27 日推出。它專注於對既有圖像進行可控變更，包括光線、視覺風格、物件與字體排版。
Microsoft 在 Arena Edit 榜單上宣布位列第 3，在 Artificial Analysis 上位列第 2。於本文章所審閱的 2026 年 10 月 28 日快照中，它在 Artificial Analysis 上獲得 1,193 Elo，排名第二。對設計師而言，其價值在於能在保留既有亮點的前提下進行幅度可觀的編修。
開發者可透過公開測試平台評估該模型，但截至 2026 年 10 月 28 日，Microsoft 尚未公布 2.7 的公開 API 或定價。
關鍵要點
發布於 2026 年 10 月 27 日：Microsoft 推出以圖像編輯為重心的 MAI-Image-2.7-Preview，作為 MAI-Image-2.6 的後續版本。
Artificial Analysis 上 1,193 Elo：該模型在 AA-Image-Editing v2.1 排名第二，落後 GPT Image 2.5 Sunburst 六分。
更廣泛的編輯提升：Microsoft 回報在 10 個被評估用例與 7 種編輯動作上全面提升，而非僅針對單一類型編輯進步。
進階編輯能力：聚焦場景重塑、重打光、文字與符號編輯、基於推理的修改，以及圖像修復。
先評估再整合：依據自身的保留需求測試 MAI-Image-2.7-Preview；若應用需立即上線，先採用可用 API。
什麼是 MAI-Image-2.7-Preview？ MAI-Image-2.7-Preview 是由 Microsoft AI 開發的專有圖像編輯模型。它屬於 Microsoft 的 MAI Image 產品家族，該家族包含早期為圖像生成、圖像編輯與生產導向創意工作流程而設計的模型。
與其替換整張圖像，該模型旨在進行針對性編修，同時保留原始場景的視覺一致性。
例如，設計師可能希望將產品放置於新環境中，同時保留其包裝、標誌與比例。攝影師可能想調整光線而不使主體失真。行銷團隊可能需要替換現有廣告中的文字，同時保留版面配置。
MAI-Image-2.7-Preview 規格 開發者 Microsoft AI 發布日期 October 27, 2026 發布階段 Preview 主要能力 AI image editing 輸入 Existing image and text editing instructions 輸出 Edited image 文字轉圖像生成 Announced as coming soon 公開開發者 API Not announced 模型架構與參數量 Not disclosed 最大解析度 Not disclosed for 2.7 最大參考圖像數量 Not disclosed for 2.7 公開評測平台 Arena and Artificial Analysis 互動測試 MAI Playground, subject to access availability
Microsoft 並未在發佈聲明中披露此預覽版的架構、參數量、最大解析度或參考圖像上限。較早 MAI 規格不應被視為 2.7 的既定限制。
MAI-Image-2.7-Preview 可以做什麼？ Microsoft 表示，該模型在四個領域達到類別前沿：增強與修復、基於推理的編輯、場景與風格編輯，以及文字或符號編輯。
場景與風格編輯 MAI-Image-2.7-Preview 可修改既有圖像的整體外觀，包括環境、藝術風格、光線與氛圍。
以在純色棚拍背景下拍攝的產品照為例。設計師可能希望將周遭環境轉換為高端的戶外行銷場景，同時保留產品本身。
成功的結果不僅是更換背景。光線方向、反射、陰影、透視與色彩都必須保持一致。
文字與符號編輯 替換標籤可能會意外改變其字體、位置、透視或周邊設計。即便替換文字正確，編修區域也可能看起來像被人工貼上。
MAI-Image-2.7-Preview 著重於在保持視覺整合的同時更改文字與符號。
可能的應用包括產品包裝、廣告、宣傳海報、簡報圖像與 UI 模型稿。
對於製作多語市場行銷素材的企業而言，這尤其有價值。然而，該模型在跨語言與複雜字體排版上的可靠性仍需進行特定任務測試。
基於推理的圖像編輯 例如，將反光物件移至不同環境可能需要協調光源、陰影與鄰近表面的改變。
MAI-Image-2.7-Preview 旨在處理涉及物件、光線與環境關係的編輯。
圖像增強與修復 典型流程包括修復老照片、增強低品質產品圖、完善創意素材與修正視覺瑕疵。
AI 修復可能會「補全」合理細節。對於檔案保存或證據導向的工作，請保留原件並清楚標識產生的變更。
以上為能力類別，而非保證結果完美。實際編修準確度取決於來源圖像、提示複雜度與審查標準。
在基準測試中的表現如何？ MAI-Image-2.7-Preview 已出現在兩個主要的圖像編輯評測平台：Artificial Analysis 與 Arena。
兩者皆採用偏好式評估方法，但其資料集、計分尺度與投票方法不同。
它們的 Elo 分數應在各自的排行榜內比較，而不是跨平台直接對比。
Artificial Analysis：AA-Image-Editing v2.1 Artificial Analysis 評估圖像模型是否能依據文字指令修改輸入圖像。
AA-Image-Editing v2.1 以成對的人類偏好投票對圖像編輯任務進行排名。這些為外部平台結果，而非 Microsoft 內部基準。
下表保留已發布的模型設定，包括 GPT Image 2.5 的 max 設定。± 值為顯示的 95% 不確定性區間。該排行榜不提供共享硬體或延遲測試環境，因此這些分數描述的是編輯偏好，而非處理速度。
1 GPT Image 2.5 Sunburst (max) 1199 ± 11 18,250 2 MAI-Image-2.7-Preview 1193 ± 15 4,891 3 GPT Image 2.5 Flare (max) 1182 ± 11 19,136 4 MAI-Image-2.6 1151 ± 12 16,644 5 Krea 3 (Ultra) 1151 ± 14 5,505 6 Nano Banana 2.1 1151 ± 13 6,868 7 MAI-Image-2.6-Flash 1144 ± 13 10,753
MAI-Image-2.7-Preview 在此排行榜上比 MAI-Image-2.6 高 42 Elo，比 Flare 高 11 分，落後 Sunburst 六分。
然而，領先模型之間的信賴區間有重疊。六分的差距並不足以證明 Sunburst 在每項編輯任務上都能穩定優於 MAI-Image-2.7-Preview。
Arena Edit：圖像編輯 下方為 2026 年 10 月 28 日可見的單圖像整體編輯分數。表格保留 Arena 顯示的 preliminary 標記。
1 GPT-Image-2.5 Sunburst 1517 ± 5 (preliminary) 90,545 2 GPT-Image-2.5 Flare 1482 ± 5 (preliminary) 87,941 3 MAI-Image-2.7-Preview 1471 ± 10 3,402 4 GPT-Image-2 (Medium) 1460 ± 3 336,785 5 Grok Imagine Image 2.0 1439 ± 6 (preliminary) 32,951 6 MAI-Image-2.6 1427 ± 5 76,933 7 Gemini Nano Banana 2.1 1427 ± 6 (preliminary) 12,956
顯示分數中，2.7 Preview 比 2.6 高 44 Elo，並比 GPT-Image-2 (Medium) 高 11 Elo。
Arena 結果為即時更新，可能隨時間變動；上述數字反映本文審閱的 10 月 28 日快照。
商業設計表現 當輸出需成為廣告或產品素材時，Arena 的 Product, Branding & Commercial Design 類別尤其相關。
兩個排行榜皆顯示其編輯效能較 MAI-Image-2.6 更強，並與領先模型具競爭力。生產速度、可靠性與成本仍需透過 API 另行測試。
MAI-Image-2.7-Preview 對比 MAI-Image-2.6 MAI-Image-2.6 先前透過 Microsoft Foundry 向開發者提供，並另行推出 Flash 變體。該 API 里程碑與 Artificial Analysis 記錄的 8 月發佈月份為不同事件。
MAI-Image-2.6 及其 Flash 變體引入面向開發者的能力，例如多圖參考編輯、Web 錨定、動態長寬比，以及最高達 1.5K 的輸出解析度。
編輯表現 支援場景、風格、推理、文字與修復編輯 Microsoft 回報在上述四個編輯領域皆有提升，且達到類別領先結果 文字轉圖像能力 Available Coming soon 開發者 API Available through Microsoft Foundry Not announced
Microsoft 回報在 10 個被評估用例與 7 種編輯動作上均有提升。實務上的問題在於，這些提升是否改善你團隊最常進行的編修類型。
對需要有文件化圖像生成 API 與既有生產整合的開發者而言，前代模型仍具相關性。
如何存取並試用 MAI Image 2.7 Microsoft 指出 MAI Playground、Arena 與 Artificial Analysis 是探索預覽版的途徑。先在 Playground 使用你的圖像進行試驗，再用評測平台比較偏好與分數。
當預覽版在你的帳戶與地區可用時，預期流程是選擇編輯模型、提供既有圖像並描述所需變更。
一個有用的初步實驗是：進行一次包含一項主要變更且有幾個明確保留要求的編修。
示例提示：
可重複的測試方法 要有意義地評估模型，請對競爭編輯器使用相同的來源圖像與指令。
作為初篩，組合 20 至 50 個具代表性的任務，涵蓋產品變更、字體排版、重打光、修復與多物件合成。這是一個務實的起始集合，而非統計驗證的樣本量要求。
指令準確度：模型是否完成所要求的變更？
保留：未觸及的元素是否保持一致？
視覺真實感：光線、透視與構圖是否自然？
輸出接受度：是否可在不需進一步修正的情況下直接使用結果？
若面向生產評估，一旦有合適的 API 存取，也應記錄延遲與成本。
是否提供 MAI-Image-2.7-Preview API，費用為何？ 截至 2026 年 10 月 28 日，Microsoft 尚未公布 MAI Image 2.7 的公開 API 端點、定價或全面可用日期。Artificial Analysis 將該預覽標記為 No API available 。
就生產規劃而言，尚未明確的細節包括部署模型 ID、圖像限制、速率限制、計費與預覽版特定使用條款。
Microsoft 表示文字轉圖像生成功能即將推出。若你的應用現在同時需要生成與編輯，請選擇已有文件的 API，並將 2.7 作為獨立的評估候選。
對於需要現今即可投入生產的圖像編輯，CometAPI 提供多種成熟替代方案的 API 存取。
這讓你能夠先驗證編輯工作流程，並在 Microsoft 提供受支援的開發者介面後，獨立評估 MAI Image 2.7。
下例呼叫 GPT Image 2.5 Sunburst。它提供一個可用的整合樣式給現有替代方案；該請求並不會呼叫 MAI-Image-2.7-Preview。
在 Bash 中以有效的 CometAPI 金鑰與當前目錄的 product.png 執行此請求。它會將 JSON 回應儲存為 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
根據 CometAPI 的回應格式，已編輯的圖像以 Base64 值返回於 data[0].b64_json。請將該 Base64 值解碼為 PNG 檔；JSON 回應本身並非圖像。若 cURL 回報 HTTP 錯誤，請在重試前檢視回應本體。
生產評估指標 一個實用的生產效率衡量方式是「每張合格圖像成本」，而不僅是「每次請求成本」。
例如，假設某編輯服務產出 100 張圖像，平均總成本為每張 $0.10。
每張合格圖像成本 = $10 / 70 = 約 $0.143.
若在相同每次請求成本下，編輯品質改善將通過率提升至 90%，則每張合格圖像的有效成本降至約 $0.111。
此假設示例僅用於隔離通過率的影響；$0.10 的輸入假設並非任何模型報價。
該示例說明，編輯準確度的重要性可與 API 標價同等重要。
常見問題
若 MAI-Image-2.7-Preview 編修後的標誌變形，我該如何處理？ 回到原始圖像，縮小所請求的變更範圍，並明確聲明標誌與包裝文字必須保持不變。在完整解析度下將相關裁切區域與原圖比較。若模型仍改動品牌關鍵細節，請透過獨立的合成步驟保留那些元素，或對該區域使用傳統編輯器。當標誌必須完全一致時，僅有視覺上好看並不足夠。
重複使用 MAI-Image-2.7-Preview 編輯會累積誤差嗎？ 重複的生成式編修可能會引入漂移，即使每次結果單獨看起來都合理。請保留未觸及的來源並在每次接受的編修後存檔。若要做新變體，請比較「從原始重新開始」與「接續上次輸出」兩種路徑，選擇能更好保留你所需細節的方式。不要假設先前成功的編修能保證長序列中的一致性。
如何公平比較 MAI-Image-2.7-Preview 的效果？ 在審查期間隱藏模型名稱並隨機化輸出順序。在評審看到圖像前先約定淘汰標準，並記錄失敗案例與偏好結果。若允許重試，需給每個模型相同的重試額度，且將所有嘗試納入成本計算。這能降低因偶然選到特別出色結果而偏袒某模型的機率。
MAI-Image-2.7-Preview 的修復是否能保留歷史真相？ 修復後的圖像可能包含源圖中不可見但「看似合理」的細節。請將原始圖與編修版一併保留，並區分外觀改善與事實重建。對於檔案保存或紀錄專案，請記錄所要求的變更，並標識生成的細節，而非將修復圖像視為對原場景的新證據。
結論 若你的工作流程依賴在保留關鍵視覺細節的前提下進行大幅度編修，值得評估 MAI-Image-2.7-Preview。請使用具代表性的來源圖像衡量保留品質與輸出接受度。若你今天就需要 API 整合，請選擇可用的模型，並在 Microsoft 公佈開發者存取與定價後再回頭評估 2.7。
