編輯榜排第二,請求榜前五十都沒進

在 Artificial Analysis 的影像編輯榜上,微軟的 MAI-Image-2.7-Preview 是 1,193 Elo。第二名,落後 GPT Image 2.5 Sunburst 六分。在 Arena 的編輯榜上它第三,1,471。在 Artificial Analysis 測的七個編輯動作上,它七項全勝上一代,其中四項第一,包括場景與風格修改,以及基於推理的那一類。
在 OpenRouter 的每週生圖請求榜上,它完全沒出現。前五十都沒有。與此同時 MAI-Image-2.6 Flash 以 35,500 次請求排第 27,MAI-Image-2.6 以 22,200 次排第 32,MAI-Image-2.5 第 33,連 MAI-Image-2.5 Pro 都在第 43。
一個模型贏了裁判。另外四個拿到了流量。這個落差是我這個月在影像模型上看到的最有用的東西。
「只能編輯」在實際裡是什麼意思
MAI-Image-2.7-Preview 不從零生成影像。它拿一張你已有的圖,改其中一部分。整個產品就是這樣。
這聽起來像限制,其實是一個論點。看看人們在生產裡怎麼用影像模型。一家代理商不是在用 prompt 生成主視覺——主視覺上個月就生成了,客戶想要背景更暖、產品在畫面裡更大、模特兒的夾克從藏青換成橄欖綠。一個電商團隊有 4,000 張白底產品圖,需要放到大理石上。一個出版方有已經過審的版式,需要在完全不動文字的前提下調整裡面的插畫。
三件都是編輯任務。三件都被「描述一張新圖」這種介面的模型服務得很差。差別不在品質。在於畫面其餘部分留不留得住。
微軟決定發一個只能編輯的模型,還把它標成 preview,說明他們看了榜並注意到一件事:生成榜很擠,編輯榜的競爭結構不一樣。在生成上,Google 和 OpenAI 花了兩年和巨額算力打一場現在以個位數 Elo 計的仗。在編輯上,榜首直到最近基本是 OpenAI 加一小群專才。

解釋這張榜的那個 76%
看 OpenRouter 資料的形狀,編輯這個論點更清楚。
按請求量算,前十裡有六個是 Google 的。光 Nano Banana 2 一週就是 219 萬次請求,佔 1,181 萬市場的 18.5%。前十裡的三個 OpenAI 條目合計 267 萬。這是分發:Gemini 在每台 Android 手機和每個 Google Workspace 帳戶裡,GPT Image 是 ChatGPT 的預設。
再看下面那些小數字。Krea 的 K3 Edit 第 18,11.4 萬次,週環比漲 751%。那是一個編輯產品,漲得比榜上任何東西都快。Recraft V4.1 Flash 第 12,22.3 萬次,漲 55%——一個設計工具血統的模型,不是聊天機器人血統。Flux 3 Image Klein 第 15,14 萬次,漲 28%,Flux.2 Klein 4B 第 17,12.2 萬次,漲 97%。那些是開放權重的模型,被一群想要控制權的人拉著走。
規律是:請求榜的頂部由模型被嵌在哪裡決定。榜的中段由模型能不能把一件具體的事做好決定。MAI-Image-2.7 瞄準中段,但它還沒到那兒,因為它在 preview 遊樂場裡,不在 Copilot 或 Bing 裡。
為什麼編輯這個榜更難信
編輯分數比生成分數感覺更有意義,有原因;對兩者都保有懷疑,也有原因。
生成榜讓評分者對著一個 prompt 比較兩張圖。那測的是審美和指令遵循,權重取決於評分者那天在乎什麼。編輯榜問的是:某個具體改動有沒有做到,同時其餘部分有沒有被保住。這個問題可證偽得多。夾克是橄欖綠或者不是。文字完好或者不完好。
這也讓七項拆解成了有意思的部分。Artificial Analysis 把場景與風格編輯、基於推理的編輯,以及另外五類分開。一個在場景和風格上領先、在文字算繪上第四的模型,是針對具體活的具體工具,對買家比一個聚合 Elo 更有用。
懷疑的地方:3,402 票是小樣本。Arena 上 MAI-Image-2.7-Preview 是 1,471,信賴區間 1,461 到 1,481,票數 3,402。GPT-Image-2 有 336,785 票。新模型的 Elo 是暫定的,而榜不會大聲提醒你這一點;一個幾千票的 preview 可以看起來像登台領獎,而百萬票未必認這個帳。
分發問題,說白了
這裡是給所有靠看榜做採購決定的人設的陷阱。
一個模型可以是世界第二的編輯模型,同時零生產流量,因為拿到流量的方式不是做得好。是成為某個地方的預設。Google 在請求榜上的優勢不是因為 Nano Banana 2 比別人好 60%。是因為它在人們已經打開的產品裡,只差一次點擊。
對微軟,路很清楚也很慢:放進 Copilot,放進 Designer,放進 Edge 側邊欄,放進 Office。那一刻起請求榜會記上它,而那個數字不會是品質的度量。是位置的度量。
對其他人,教訓不一樣。如果你在為產品選模型,請求榜告訴你什麼便宜好拿。Elo 榜告訴你什麼好。這是兩個不同的問題,而答案已經分得很開。
實際該怎麼用
如果你用影像模型做東西,兩件具體的事。
用你自己的編輯測,不要用 prompt 測。 拿十張你已經交付過的圖,和十個客戶真的提過的改動。跑三個模型。數一下你不想被改的部分有多少次沒被改。這個數字會跟任何榜相關性很差,而它是客戶唯一會注意的數字。
把生成預算和編輯預算分開。 大多數團隊買一個模型兩件事都用。資料顯示這個形狀現在不對了:生成是由價格和位置決定的商品,編輯才是差異還在的地方,而六分 Elo 可能意味著一整個下午。
MAI-Image-2.7-Preview 會不會成為編輯的預設,說不準。但一家大實驗室發了一個根本不能生成的模型,還把它放到了榜上第二——這個訊號值得認真對待。影像模型裡有意思的競爭,已經從「它能做出什麼」挪到了「它能不動什麼」。
相關文章
Antigravity 2.29 把代理搬進雲端 VM,語音只能放行小事
任務改在 Google 託管的雲端 VM 裡跑,蓋上筆電也不停。代價是本機的 MCP 伺服器、外掛與 skills 全部用不到,而語音只准放行不痛不癢的權限。
NVIDIA 放四顆 Cosmos 3 世界模型,還有一個快 25 倍的解碼器
四顆 16B 檢查點加上後訓練配方與程式碼,可以自己調成自家感測器配置。NVIDIA 同時明說:這些模型能否當訓練環境,還有待測量。
GitHub 熱榜四分之一是 agent skills,安裝方式卻有四套
熱榜 15 個倉庫裡有 4 個是 agent skills 合集,第 5 個附了 skill 包裝。採用沒問題,問題是同一個物件有四套互不相容的安裝方式,以及沒人處理的優先順序與信任問題。
Inkling 2 Small 拿下 86.3%,權重卻還要再等一週
Inkling 2 Small 在 SWE-Bench Pro v2 Hard 拿到 86.3%,還能自己微調別人的模型。但 Apache 2.0 權重還沒放出來,也沒給日期。