Zweiter im Editing-Ranking, abwesend im Anfrage-Ranking

Auf dem Bildbearbeitungs-Board von Artificial Analysis liegt Microsofts MAI-Image-2.7-Preview bei 1 193 Elo. Platz zwei, sechs Punkte hinter GPT Image 2.5 Sunburst. Auf dem Editing-Board von Arena ist es Dritter mit 1 471. Über die sieben Editing-Aktionen, die Artificial Analysis misst, schlägt es seinen Vorgänger in allen sieben und belegt in vier Platz eins, darunter Szenen- und Stilwechsel sowie die Kategorie mit Reasoning-Bezug.
Auf dem wöchentlichen Anfrage-Board für Bildgenerierung bei OpenRouter taucht es überhaupt nicht auf. Nicht in den Top 50. MAI-Image-2.6 Flash steht dort auf Platz 27 mit 35 500 Anfragen, MAI-Image-2.6 auf 32 mit 22 200, MAI-Image-2.5 auf 33, und selbst MAI-Image-2.5 Pro erscheint auf 43.
Ein Modell gewinnt die Jury. Die anderen vier bekommen den Verkehr. Diese Lücke ist das Nützlichste, was ich diesen Monat über Bildmodelle gesehen habe.
Was „nur Editing“ in der Praxis heißt
MAI-Image-2.7-Preview erzeugt kein Bild aus dem Nichts. Es nimmt ein vorhandenes Bild und ändert einen Teil davon. Das ist das ganze Produkt.
Das klingt nach Einschränkung und ist tatsächlich eine These. Schauen Sie, wie Leute Bildmodelle in der Produktion nutzen. Eine Agentur generiert kein Keyvisual aus einem Prompt – sie hat letzten Monat eins generiert, und der Kunde will den Hintergrund wärmer, das Produkt größer im Bild und die Jacke des Models von Marineblau auf Oliv. Ein E-Commerce-Team hat 4 000 Produktfotos auf Weiß und braucht sie auf Marmor. Ein Verlag hat ein freigegebenes Layout und will die Illustration darin anpassen, ohne die Typografie anzufassen.
Alle drei sind Editing-Aufgaben. Alle drei werden von einem Modell schlecht bedient, dessen Schnittstelle „beschreibe ein neues Bild“ lautet. Der Unterschied ist nicht die Qualität. Es ist die Frage, ob der Rest des Bildes stehen bleibt.
Microsofts Entscheidung, ein reines Editing-Modell auszuliefern und es Preview zu nennen, deutet darauf hin, dass man die Ranglisten angesehen und etwas bemerkt hat: Die Generierungs-Boards sind voll, die Editing-Boards haben eine andere Wettbewerbsstruktur. Bei der Generierung haben Google und OpenAI zwei Jahre und enorm viel Rechenleistung in ein Rennen gesteckt, das inzwischen in einstelligen Elo-Punkten gemessen wird. Beim Editing bestand die Spitze bis vor kurzem vor allem aus OpenAI plus einer Gruppe Spezialisten.

Die 76 %, die das Board erklären
Sehen Sie sich die Form der OpenRouter-Daten an, dann wird die Editing-These noch klarer.
Google besitzt sechs der zehn meistgefragten Bildmodelle. Nano Banana 2 allein kommt auf 2,19 Millionen Anfragen in einer Woche, 18,5 % eines Marktes von 11,81 Millionen. Die drei OpenAI-Einträge in den Top 10 summieren sich auf 2,67 Millionen. Das ist Distribution: Gemini steckt in jedem Android-Telefon und jedem Google-Workspace-Konto, und GPT Image ist der Standard in ChatGPT.
Jetzt die kleinen Zahlen weiter unten. K3 Edit von Krea ist 18. mit 114 000 Anfragen, plus 751 % Woche für Woche. Das ist ein Editing-Produkt und wächst schneller als alles andere auf dem Board. Recraft V4.1 Flash liegt auf 12 mit 223 000, plus 55 % – ein Modell aus der Design-Tool-Linie, nicht aus der Chatbot-Linie. Flux 3 Image Klein ist 15. mit 140 000, plus 28 %, und Flux.2 Klein 4B 17. mit 122 000, plus 97 %. Das sind Open-Weight-Modelle, gezogen von einer Community, die Kontrolle will.
Das Muster: Die Spitze des Anfrage-Boards entscheidet sich dort, wo das Modell eingebettet ist. Die Mitte entscheidet sich danach, ob ein Modell eine bestimmte Aufgabe gut löst. MAI-Image-2.7 zielt auf die Mitte und ist dort noch nicht angekommen, weil es in einem Preview-Playground lebt und nicht in Copilot oder Bing.
Warum Editing das schwerer zu glaubende Benchmark ist
Es gibt einen Grund, warum Editing-Scores aussagekräftiger wirken als Generierungs-Scores, und einen Grund, beiden zu misstrauen.
Generierungs-Benchmarks lassen eine Bewertungsperson zwei Bilder gegen einen Prompt vergleichen. Das misst Ästhetik und Prompt-Treue, gewichtet nach dem, was der Person an dem Tag wichtig ist. Editing-Benchmarks fragen, ob eine bestimmte Änderung gemacht wurde, während alles andere erhalten blieb. Das ist eine viel besser falsifizierbare Frage. Entweder die Jacke ist oliv oder nicht. Entweder die Typografie ist intakt oder nicht.
Deshalb ist die Aufteilung nach sieben Aktionen der interessante Teil. Artificial Analysis trennt Szenen- und Stil-Edits, Reasoning-basierte Edits und fünf weitere Kategorien. Ein Modell, das bei Szene und Stil führt, aber beim Text-Rendering Vierter ist, ist ein präzises Werkzeug für eine präzise Aufgabe – und das ist für einen Käufer nützlicher als ein aggregierter Elo-Wert.
Das Misstrauen: 3 402 Stimmen sind eine kleine Stichprobe. Arena listet MAI-Image-2.7-Preview mit 1 471 und einem Konfidenzintervall von 1 461 bis 1 481 bei 3 402 Stimmen. GPT-Image-2 hat 336 785. Bei einem neuen Modell ist der Elo vorläufig, und das schreit das Leaderboard nicht heraus. Eine Preview mit ein paar tausend Stimmen kann wie ein Podium aussehen, das eine Million Stimmen nicht bestätigen würde.
Das Verteilungsproblem, klar gesagt
Hier ist die Falle für alle, die diese Boards für eine Kaufentscheidung lesen.
Ein Modell kann der zweitbeste Bildeditor der Welt sein und null Produktionsverkehr haben, weil man Verkehr nicht bekommt, indem man gut ist. Man bekommt ihn, indem man irgendwo der Standard ist. Googles Vorsprung auf dem Anfrage-Board liegt nicht darin, dass Nano Banana 2 um 60 % besser ist als alles andere. Er liegt darin, dass es in Produkten, die Leute ohnehin öffnen, einen Tap entfernt ist.
Für Microsoft ist der Weg offensichtlich und langsam: in Copilot, in Designer, in die Edge-Seitenleiste, in Office. Sobald das passiert, registriert das Anfrage-Board es, und die Zahl misst nicht Qualität, sondern Platzierung.
Für alle anderen ist die Lehre eine andere. Wer ein Modell für ein Produkt auswählt, erfährt vom Anfrage-Board, was billig und verfügbar ist. Die Elo-Boards sagen, was gut ist. Das sind zwei verschiedene Fragen, und die Antworten sind deutlich auseinandergelaufen.
Was man damit konkret tun sollte
Zwei konkrete Dinge, wenn man mit Bildmodellen baut.
An eigenen Edits testen, nicht an Prompts. Zehn bereits ausgelieferte Bilder nehmen und zehn Änderungen, die ein Kunde tatsächlich verlangt hat. Durch drei Modelle schicken. Zählen, wie oft die Teile, die man nicht ändern wollte, unverändert blieben. Diese Zahl korreliert schlecht mit jedem Leaderboard, und sie ist die einzige, die der Kunde bemerkt.
Das Generierungsbudget vom Editingbudget trennen. Die meisten Teams kaufen ein Modell und nutzen es für beides. Die Daten legen nahe, dass das inzwischen die falsche Form ist: Generierung ist eine Ware, entschieden über Preis und Platzierung; Editing ist der Ort, an dem Differenzierung noch existiert und an dem sechs Elo-Punkte einen geretteten Nachmittag bedeuten können.
MAI-Image-2.7-Preview wird vielleicht der Editing-Standard, vielleicht nicht. Aber die Tatsache, dass ein großes Labor ein Modell ausgeliefert hat, das gar nichts generieren kann, und es auf Platz zwei eines Boards gesetzt hat, ist ein Signal, das man ernst nehmen sollte. Der interessante Wettbewerb bei Bildmodellen hat sich von „was kann es erzeugen“ zu „was kann es in Ruhe lassen“ verschoben.
Verwandte Artikel
Google hat Coding-Agenten vom Laptop geholt, und der Berechtigungsdialog bleibt der Engpass
Die Leitungen sind fast gelöst. Der Berechtigungsdialog bleibt der menschliche Engpass.
NVIDIA gibt vier 16B-Weltmodelle frei, und der Teil ohne Benchmark ist Policy-Learning
NVIDIA sagt, es sei ungemessen, ob diese Modelle Policy-Learning tragen. Der Satz gehört in jede Geschichte über offene Weltmodelle.
Vier der Top-Repos auf GitHub sind heute Skill-Bibliotheken, und jetzt haben wir ein Packaging-Problem
Die Verbreitung läuft. Das interessante Scheitern sind vier nicht kompatible Wege, dasselbe Objekt zu installieren.
Thinking Machines liefert ein 594B-Modell und schiebt die Gewichte auf nächste Woche
Ein starkes Modell, ein dokumentiertes Rezept, eine unterschätzte Fähigkeit und ein Termin, den das Labor nicht zugesagt hat.