编辑榜排第二,调用榜前五十都没进

在 Artificial Analysis 的图像编辑榜上,微软的 MAI-Image-2.7-Preview 是 1,193 Elo。第二名,落后 GPT Image 2.5 Sunburst 六分。在 Arena 的编辑榜上它第三,1,471。在 Artificial Analysis 测的七个编辑动作上,它七项全胜上一代,其中四项第一,包括场景与风格修改,以及基于推理的那一类。
在 OpenRouter 的每周生图请求榜上,它完全没出现。前五十都没有。与此同时 MAI-Image-2.6 Flash 以 35,500 次请求排第 27,MAI-Image-2.6 以 22,200 次排第 32,MAI-Image-2.5 第 33,连 MAI-Image-2.5 Pro 都在第 43。
一个模型赢了裁判。另外四个拿到了流量。这个落差是我这个月在图像模型上看到的最有用的东西。
「只能编辑」在实际里是什么意思
MAI-Image-2.7-Preview 不从零生成图像。它拿一张你已有的图,改其中一部分。整个产品就是这样。
这听起来像限制,其实是一个论点。看看人们在生产里怎么用图像模型。一家代理商不是在用 prompt 生成主视觉——主视觉上个月就生成了,客户想要背景更暖、产品在画面里更大、模特的夹克从藏青换成橄榄绿。一个电商团队有 4,000 张白底产品图,需要放到大理石上。一个出版方有已经过审的版式,需要在不动文字的前提下调整里面的插画。
三件都是编辑任务。三件都被「描述一张新图」这种界面的模型服务得很差。差别不在质量。在于画面其余部分留不留得住。
微软决定发一个只能编辑的模型,还把它标成 preview,说明他们看了榜单并注意到一件事:生成榜很挤,编辑榜的竞争结构不一样。在生成上,Google 和 OpenAI 花了两年和巨额算力打一场现在以个位数 Elo 计的仗。在编辑上,榜首直到最近基本是 OpenAI 加一小群专才。

解释这张榜的那个 76%
看 OpenRouter 数据的形状,编辑这个论点更清楚。
按请求量算,前十里有六个是 Google 的。光 Nano Banana 2 一周就是 219 万次请求,占 1,181 万市场的 18.5%。前十里的三个 OpenAI 条目合计 267 万。这是分发:Gemini 在每台 Android 手机和每个 Google Workspace 账户里,GPT Image 是 ChatGPT 的默认。
再看下面那些小数字。Krea 的 K3 Edit 第 18,11.4 万次,周环比涨 751%。那是一个编辑产品,涨得比榜上任何东西都快。Recraft V4.1 Flash 第 12,22.3 万次,涨 55%——一个设计工具血统的模型,不是聊天机器人血统。Flux 3 Image Klein 第 15,14 万次,涨 28%,Flux.2 Klein 4B 第 17,12.2 万次,涨 97%。那些是开放权重的模型,被一群想要控制权的人拉着走。
规律是:请求榜的顶部由模型被嵌在哪里决定。榜的中段由模型能不能把一件具体的事做好决定。MAI-Image-2.7 瞄准中段,但它还没到那儿,因为它在 preview 游乐场里,不在 Copilot 或 Bing 里。
为什么编辑这个榜更难信
编辑分数比生成分数感觉更有意义,有原因;对两者都保有怀疑,也有原因。
生成榜让评分者对着一个 prompt 比较两张图。那测的是审美和指令遵循,权重取决于评分者那天在乎什么。编辑榜问的是:某个具体改动有没有做到,同时其余部分有没有被保住。这个问题可证伪得多。夹克是橄榄绿或者不是。文字完好或者不完好。
这也让七项拆解成了有意思的部分。Artificial Analysis 把场景与风格编辑、基于推理的编辑,以及另外五类分开。一个在场景和风格上领先、在文字渲染上第四的模型,是针对具体活的具体工具,对买家比一个聚合 Elo 更有用。
怀疑的地方:3,402 票是小样本。Arena 上 MAI-Image-2.7-Preview 是 1,471,置信区间 1,461 到 1,481,票数 3,402。GPT-Image-2 有 336,785 票。新模型的 Elo 是暂定的,而榜单不会大声提醒你这一点;一个几千票的 preview 可以看起来像登台领奖,而百万票未必认这个账。
分发问题,说白了
这里是给所有靠看榜做采购决定的人设的陷阱。
一个模型可以是世界第二的编辑模型,同时零生产流量,因为拿到流量的方式不是做得好。是成为某个地方的默认。Google 在请求榜上的优势不是因为 Nano Banana 2 比别人好 60%。是因为它在人们已经打开的产品里,只差一次点击。
对微软,路很清楚也很慢:放进 Copilot,放进 Designer,放进 Edge 侧边栏,放进 Office。那一刻起请求榜会记上它,而那个数字不会是质量的度量。是位置的度量。
对其他人,教训不一样。如果你在为产品选模型,请求榜告诉你什么便宜好拿。Elo 榜告诉你什么好。这是两个不同的问题,而答案已经分得很开。
实际该怎么用
如果你用图像模型做东西,两件具体的事。
用你自己的编辑测,不要用 prompt 测。 拿十张你已经交付过的图,和十个客户真的提过的改动。跑三个模型。数一下你不想被改的部分有多少次没被改。这个数字会跟任何榜单相关性很差,而它是客户唯一会注意的数字。
把生成预算和编辑预算分开。 大多数团队买一个模型两件事都用。数据显示这个形状现在不对了:生成是由价格和位置决定的商品,编辑才是差异还在的地方,而六分 Elo 可能意味着一整个下午。
MAI-Image-2.7-Preview 会不会成为编辑的默认,说不准。但一家大实验室发了一个根本不能生成的模型,还把它放到了榜上第二——这个信号值得认真对待。图像模型里有意思的竞争,已经从「它能做出什么」挪到了「它能不动什么」。
相关文章
744B 模型住进 9.9 GB 内存,专家从硬盘上读
colibri 把 744B 混合专家模型里常用的那部分留在内存,专家从磁盘流式读。README 把慢的基准和快的一起发,所以值得读。
不动模型,也能把智能体调好
Harness² 冻结权重,只改模型周围的八个组件,然后对比几次运行的差异。一个 benchmark 上最多涨 11.5 分,没有一次梯度更新。
35 万个假受害者,和机构撒谎的伦理问题
Apate.ai 跑着 35 万个 AI 人格,工作是让骗子骗,再把骗出来的情报卖给银行和运营商。浪费时间这一步成立,没有人算过账的是那个先例。
GeForce 只有一半 Tensor Core 在跑,有人写了补丁
一个 GPL 项目声称 GeForce 的 FP16 与 TF32 张量吞吐被封在一半,并在驱动加载前把这个限制摘掉。RTX 30 能用,RTX 50 不能,真正的问题在文档。