MAI Image 2.7 Preview vs Ideogram 4.5: Dwa rodzaje „precyzji”, tylko jeden z ceną

Oba modele sprzedawano pod hasłem precyzji, a słowo to znaczy co innego w każdym z przekazów. Ideogram 4.5, wydany 30 września 2026 r., oznacza precyzję na poziomie pikseli: maskę określającą, które piksele mogą się zmienić, edycję przeprowadzaną w rozdzielczości samego obrazu źródłowego, a nie po jego wcześniejszym zmniejszeniu, oraz udokumentowaną obietnicę, że sąsiednie piksele pozostaną na swoim miejscu. MAI Image 2.7 Preview, wydany przez Microsoft AI cztery tygodnie później, 27 października 2026 r., oznacza precyzję na poziomie osądu: zmianę stylu całej sceny bez jej psucia, prawidłowe ponowne oświetlenie, przepisanie tekstu tak, by należał do powierzchni, zamiast unosić się nad nią. Żadnego z tych dwóch nie można wywołać przez bramę, a żaden z dostawców nie powiedział, kiedy to się zmieni. Zobacz modele obrazów, które można dziś wywoływać przez routing. Modele, które możesz wywoływać, są wymienione wraz z cenami swoich dostawców.

To nie są konkurencyjne twierdzenia o tej samej zdolności. Jedno jest powierzchnią sterowania, drugie modelem gustu. A praktyczna różnica między nimi ujawnia się w najmniej efektownej części karty specyfikacji: Ideogram 4.5 podaje konwencję maski i cenę za obraz; MAI Image 2.7 Preview nie podaje ani jednego, ani drugiego.

Co oznacza „Precyzyjny”, gdy jest maska

Maska to kontrakt. Ideogram 4.5 przyjmuje jedną, przy czym czarny oznacza obszar do edycji, a biały — obszar do zachowania, wraz z maksymalnie pięcioma obrazami wejściowymi — jednym źródłowym plus czterema referencyjnymi. Ten interfejs zamienia edycję w coś, co można określić, a nie coś, co się opisuje i ma nadzieję, że się uda.

To sprawia również, że model jest testowalny w sposób, w jaki edytor oparty wyłącznie na promptach nie jest. Jeśli klient mówi „zmień etykietę butelki i nic więcej”, wersję z maską można sprawdzić mechanicznie: porównać wynik z danymi wejściowymi poza zamaskowanym obszarem i policzyć zmienione piksele. Wersja promptowa wymaga, aby człowiek obejrzał oba obrazy i wyrobił sobie opinię. Przy pięciu zasobach ta różnica jest bez znaczenia. Przy pięciuset to różnica między etapem QA a całym działem QA.

Microsoft nie opublikował żadnej semantyki masek, interfejsu ramek ograniczających ani kontroli współrzędnych dla MAI Image 2.7 Preview. Model przyjmuje instrukcję i obraz źródłowy. To, co zmienia, jest decyzją modelu, a opis celów projektowych firmy — restylizacja całej sceny, zmiana oświetlenia, przywracanie zasobu, edycja tekstu i symboli w kontekście — jest opisem edycji celowo globalnych. To uzasadniony wybór projektowy dla zadań, do których skierowano wersję 2.7. Jest to również powód, dla którego nie można przekazać mu ściśle ograniczonej edycji regionalnej i oczekiwać, że kontrakt będzie dotrzymany.

Dwadzieścia cztery megapiksele na wejściu, dwadzieścia cztery megapiksele na wyjściu

Sztandarowa demonstracja Ideogramu dla wersji 4.5 polegała na edycji źródła o wymiarach 4016×6016 — około 24,2 megapiksela — wykonanej bez uprzedniego zmniejszania rozdzielczości danych wejściowych. To konkretny i wyjątkowo uczciwy test, ponieważ to właśnie przy zmniejszaniu rozdzielczości większość modeli do edycji po cichu traci to, na czym ci zależało. Obraz, który zostaje poddany resamplingowi do dwóch megapikseli, edytowany, a następnie ponownie powiększony, przeszedł przez dwie stratne transformacje, zanim go zobaczysz, a „zachowany” obszar wcale nie jest zachowany; to rekonstrukcja.

Natywna rozdzielczość wyjściowa w wersji 4.5 to 2K, z dłuższą krawędzią 2,048 pikseli przy najwyższym ustawieniu jakości i trzynastoma proporcjami obrazu od 1:1 do 3:1. Nie chodzi więc o to, że zwraca 24 megapiksele. Chodzi o to, że duże źródło przechodzi przez cały proces bez spłaszczenia na wejściu.

Dla MAI Image 2.7 Preview nie opublikowano żadnej rozdzielczości. Poprzednik MAI-Image-2.6 ograniczał wyjście do około 1536×1536, a założenie, że 2.7 dorównuje temu wynikowi, byłoby wnioskowaniem, a nie relacjonowaniem. Gdy jedna strona porównania ma opublikowaną liczbę, a druga milczy, opublikowana liczba nie jest automatycznie lepsza — ale jest jedyną, względem której można projektować.

Typografia to miejsce, w którym zderzają się dwie podziałki

Renderowanie tekstu to jedyna zdolność, którą oba modele otwarcie sobie przypisują, i warto dokładnie sprecyzować, dlaczego jest ona trudna w obu kierunkach.

Reputacja Ideogram została zbudowana na typografii podczas generowania — czytelne słowa, poprawna pisownia, układy respektujące hierarchię nagłówka. W wersji 4.5 ta mocna strona przenosi się na edycje, a model zachowuje także tryb tekst-na-obraz, dzięki czemu zespół może wygenerować układ z prawdziwymi słowami, a następnie zmodyfikować ten sam układ bez zmiany narzędzi.

Roszczenie Microsoftu dotyczące wersji 2.7 jest węższe i pod jednym względem trudniejsze: polega na zmianie istniejącego tekstu i symboli przy zachowaniu ich zintegrowania — dopasowaniu perspektywy znaku, krzywizny etykiety, oświetlenia na zadrukowanej powierzchni. To inny problem niż czyste wyrenderowanie nagłówka na płaskim płótnie i właśnie ten problem pojawia się, gdy kampania potrzebuje tego samego zdjęcia opakowania w sześciu językach. Artificial Analysis plasuje wersję 2.7 na pierwszym miejscu pod względem edycji tekstu i symboli wśród siedmiu ocenianych działań, co jest najmocniejszym niezależnym dowodem, jaki którykolwiek z modeli ma na tej konkretnej osi.

Haczyk polega na tym, że wynik tekstowy to pozycja w kategorii, a nie gwarancja dla pojedynczego obrazu, i nic nie mówi o tym, ile prób wymaga trudny przypadek. Microsoft twierdzi, że 2.7 poprawiło się we wszystkich dziesięciu przypadkach użycia i wszystkich siedmiu działaniach edycyjnych względem 2.6, z 24-punktową przewagą w scenie i stylu; to własne zestawienia firmy na podstawie niezależnego rankingu, a bazowe przebiegi nie są publiczne.

Drabina cen i model, który jej nie ma

Ideogram 4.5 ustala ceny według poziomu jakości, a nie rozdzielczości, co jest nietypowym, ale w większości rozsądnym wyborem: płacisz za to, jak intensywnie model myśli, a nie za to, ile pikseli zwraca. Publikowane poziomy wynoszą mniej więcej 0,03 USD dla Low, 0,06 USD dla Medium i 0,22 USD dla High za obraz, a dodatkowy bardzo niski poziom jest dostępny tylko w przypadku edycji — niektórzy odsprzedawcy podają dla niego stawkę od około 0,008 USD. Prompty są rozszerzane przez przełącznik Magic Prompt, ziarna losowe (seeds) są ujawniane, a pojedyncze żądanie może zwrócić do ośmiu obrazów — oznacza to, że efektywny koszt na użyteczny wynik w dużym stopniu zależy od tego, ile kandydatów wygenerujesz, zanim jeden okaże się właściwy.

Ten ostatni punkt zasługuje na podkreślenie, ponieważ odwraca wymowę ceny podanej w nagłówku. Model za 0,03 USD, który wymaga czterech prób, kosztuje dwanaście centów; model za 0,22 USD, który trafia za pierwszym razem, jest tańszą opcją. Lista poziomów to menu, a nie rachunek.

MAI Image 2.7 Preview nie ma ceny, ponieważ nie ma komercyjnego endpointu. Jest dostępny w MAI Playground, na Arena i w Artificial Analysis. Nie ma API, wpisu w Foundry ani cennika. Najbliższym punktem odniesienia dla prognozy jest cennik poprzednika w Foundry — 5 USD za milion tokenów wejściowych tekstu, 8 USD za milion tokenów wejściowych obrazu, 38 USD za milion tokenów wyjściowych obrazu, około czterech centów za obraz — co z grubsza pokazuje, jak Microsoft wycenia pracę z obrazami, ale nic nie mówi o tym, gdzie uplasuje się 2.7.

Gdzie plasują się wyniki i dlaczego różnica jest mniejsza, niż się wydaje

MAI Image 2.7 Preview zajmuje drugie miejsce w AA-Image-Editing v2.1 z wynikiem 1 193 Elo, sześć punktów za GPT Image 2.5 Sunburst. Ideogram 4.5 odnotowano z wynikiem 1 064 Elo i dwudziestym trzecim miejscem na tablicy edycji, a także z 1 014 Elo i trzydziestym czwartym miejscem spośród 167 na tablicy text-to-image.

Te dwie liczby dotyczące edycji nie dają czystego odejmowania — z tego samego powodu, dla którego nigdy nie ma czystego odejmowania między rewizjami tablicy: liczba 4,5 pochodzi z własnego okna przeglądu, a liczba 2,7 z migawki z 22 października tablicy, która w tym roku została co najmniej raz przebudowana. Kierunek tej różnicy nie budzi wątpliwości — model z pierwszej trójki zestawiony z modelem na dwudziestym trzecim miejscu to rzeczywiste rozdzielenie — ale jej wielkość nie jest pomiarem.

To, co mówi to miejsce w rankingu, to że obietnica precyzji Ideogramu nie przełożyła się na wynik edycji na poziomie czołówki. Jego wynik w generowaniu obrazów z tekstu, 1014, plasuje się zaledwie nieco powyżej 1011 z poprzedniej generacji. Firma zawsze argumentowała za kontrolą i typografią, a nie pozycją w rankingach, i 4.5 jest z tym spójne: kontrolowane narzędzie na środkowej pozycji w tabeli, wyceniane według planów, z interfejsem masek, który pozwala je audytować.

Obietnica otwartych wag

Ideogram zapowiadał przy premierze, że wagi 4.5 zostaną wkrótce udostępnione. Nie zostały wydane. Ma to znaczenie, ponieważ to jedyna funkcja, która sprawiłaby, że model byłby zasadniczo inny od wszystkiego, co oferuje Microsoft — checkpoint do pobrania to decyzja architektoniczna, a hostowane API to zależność.

Dopóki wagi nie zostaną udostępnione, to twierdzenie jest pozycją na roadmapie i tak należy je traktować. Model jest dziś dostępny za pośrednictwem własnej aplikacji i API Ideogramu oraz długiej listy platform partnerskich, co stanowi realną formę dostępności, ale nie jest tym samym co przenośność.

Wybór między nimi

Wybierz Ideogram 4.5, jeśli edycja musi być ograniczona. Jeśli możesz zaznaczyć region, który może się zmienić, jeśli źródło jest duże i musi zostać zachowane w swojej rozdzielczości, jeśli potrzebujesz trybu text-to-image i trybu edycji w jednym modelu oraz jeśli musisz znać koszt przed rozpoczęciem — 4.5 odpowiada na wszystkie cztery pytania w swojej dokumentacji. Jest też jedynym z tych dwóch, który już dziś można udostępnić przez API.

Wybierz MAI Image 2.7 Preview, jeśli edycja wymaga dużo osądu, a wolumen jest niski. Zmiana stylu sceny, zmiana oświetlenia fotografii, przepisanie napisu w sposób respektujący powierzchnię — to zadania, w których przewaga 24 punktów w kategorii ma znaczenie, a Playground to rozsądne miejsce, by dwadzieścia z nich wykonać ręcznie.

Nie należy traktować różnicy w tabeli liderów jako rekomendacji zakupowej. Modelu z drugiego miejsca nie można wywołać, a model z dwudziestego trzeciego miejsca można wywołać za sześć centów w trybie Medium. Dla zespołu, który decyduje, co budować w tym kwartale, to całe porównanie. OrcaRouter nie hostuje żadnego z nich i żaden z dostawców nie ogłosił planów zmiany tego; brama jest tu przydatna w przypadku modeli, do których można awaryjnie wrócić, gdy edytor klasy preview jest niedostępny, ponieważ poziomy OpenAI otaczające 2.7 w tej samej tabeli można routować przez jeden klucz w cenie cennikowej i mogą one obsłużyć nieudane wywołanie bez zmiany kodu.