Ming-Image-0.1-Design vs MAI Image 2.5 Pro: Giới hạn megapixel quyết định cuộc chơi

Con số quan trọng nhất trong một phép so sánh giữa Ming-Image-0.1-Design và MAI Image 2.5 Pro không phải là điểm Elo. Đó là 1.048.576. Đó là mức trần đầu ra mà Microsoft ghi trong tài liệu cho MAI Image 2.5 Pro — khoảng 1024 x 1024 — trong khi Ming-Image-0.1-Design của inclusionAI khuyến nghị 2048 x 2048 và hoàn toàn không kết xuất ở các kích thước trung gian, mà ép yêu cầu về một trong hai mức 1024 hoặc 2048. Cả hai mô hình đều thực sự giỏi trong việc đưa văn bản dễ đọc vào hình ảnh, đó là lý do chúng cứ liên tục xuất hiện trong cùng những cuộc trò chuyện. Chỉ một trong hai mới cho bạn bố cục 4 megapixel, và chỉ một trong hai mới được định giá theo token ở gói cao cấp của một nhà cung cấp siêu quy mô.

Ming-Image-0.1-Design là mô hình chuyển văn bản thành hình ảnh 6B của inclusionAI, được cấp phép MIT, trọng số được công bố ngày 17 tháng 9 năm 2026. MAI Image 2.5 Pro là hạng chất lượng của Microsoft AI, đang ở chế độ xem trước công khai trên Microsoft Foundry kể từ ngày 23 tháng 7 năm 2026. Không có tuyên bố nào về khả năng hiển thị văn bản của chúng được tái tạo bên ngoài phòng thí nghiệm đã đưa ra tuyên bố đó — nhưng một trong số chúng đã trải qua một đấu trường, và sự khác biệt đó xuyên suốt mọi thứ bên dưới.

Mỗi thứ được tạo ra để làm gì

MAI Image 2.5 Pro là đỉnh cao của dòng MAI-Image-2.5 của Microsoft, nằm trên MAI-Image-2.5 dành cho công việc cân bằng và MAI-Image-2.5-Flash dành cho khối lượng lớn, với MAI-Image-2.6 đã ở chế độ xem trước riêng tư kể từ ngày 19 tháng 8. Microsoft mô tả đây là mô hình hình ảnh có độ trung thực cao nhất của hãng cho đến nay, hướng đến hình ảnh chủ đạo, chỉnh sửa chi tiết và hiển thị văn bản trong ảnh một cách chính xác. Nó được xây dựng xoay quanh đầu vào nhiều ảnh: nhà cung cấp báo cáo độ nhất quán nhân vật đạt 94% xuyên suốt các lần tạo và định vị mô hình cho những quy trình làm việc mà ở đó bạn lấy một nội dung hiện có, thay đổi một thứ và tung ra sản phẩm.

Ming-Image-0.1-Design là một trình tạo từ con số không, không phải trình chỉnh sửa. Nhập prompt, xuất ảnh, không cần ảnh tham chiếu. Lĩnh vực của nó là thiết kế đồ họa đặc văn bản — bản mô phỏng UI, bảng điều khiển, đồ họa thông tin, áp phích — và đặc điểm cơ chế nổi bật của nó là xuất RGBA gốc khi prompt bắt đầu bằng một trong các cụm từ trong suốt được tài liệu hóa. Một mô hình đồng hành, Ming-Image-0.1-Design-Layer, phân rã một thiết kế đã làm phẳng thành 2–9 tệp PNG RGBA riêng biệt, rồi tái hợp thành bản gốc.

• Giới hạn đầu ra — Ming-Image-0.1-Design khuyến nghị 2048 x 2048, hoặc 1024 x 1024, với các kích thước trung gian được đưa về một trong hai mức đó, so với MAI Image 2.5 Pro bị giới hạn ở 1,048,576 pixel, tức khoảng 1024 x 1024

• Chế độ cốt lõi — tạo chỉ bằng prompt so với chỉnh sửa nhiều ảnh với tính nhất quán nhân vật xuyên suốt các tham chiếu

• Độ trong suốt — RGBA nguyên bản từ bộ lấy mẫu, cùng với việc phân tách 2–9 lớp thông qua mô hình đi kèm, so với không có tài liệu nào

• Giấy phép và quyền truy cập — trọng số MIT do bạn tự lưu trữ so với bản xem trước thương mại trên Microsoft Foundry

• Đơn vị tính phí — thời gian GPU của riêng bạn, một card 80 GiB so với tính theo token, được đo đếm trên Foundry

• Vị trí xếp hạng text-to-image độc lập — Ming-Image-0.1-Design ở vị trí #45, Elo 995, 21.342 mẫu so với MAI Image 2.5 Pro ở vị trí #12, Elo 1.098, 13.521 mẫu

• Vị trí chỉnh sửa độc lập — không có mục nào so với MAI Image 2.5 Pro ở vị trí #10, Elo 1.106, 13.581 mẫu

Đọc hai con số đấu trường cùng nhau

Các bảng xếp hạng Artificial Analysis, được đọc vào ngày 24 tháng 9 năm 2026, nói lên điều gì đó cụ thể hơn là “một mô hình tốt hơn”.

Trên bảng Text to Image, MAI Image 2.5 Pro đứng ở hạng 12 với Elo là 1.098 và khoảng tin cậy 95% là ±8 trên 13.521 phiếu bầu. Ming-Image-0.1-Design đứng ở hạng 45 với 995 Elo, ±8, trên 21.342 phiếu bầu. Đó là khoảng cách 103 Elo trên một bảng nơi khoảng tin cậy chặt chẽ có nghĩa là nó không phải là nhiễu. Trên bảng Image Editing, MAI Image 2.5 Pro ở hạng 10 với 1.106 Elo trên 13.581 phiếu bầu; Ming-Image-0.1-Design hoàn toàn không có mục nào ở đó.

Rồi cục diện đảo chiều ở đúng một hạng mục quan trọng đối với một nhóm thiết kế. Trong hạng mục UI/UX Design của cùng bảng xếp hạng, MAI Image 2.5 Pro đứng ở vị trí thứ 10 với 1.131 Elo qua 1.241 phiếu bầu trong hạng mục này, còn Ming-Image-0.1-Design ở vị trí thứ 16 với 1.084 Elo qua 2.100 phiếu. Khoảng cách thu hẹp từ 103 Elo xuống 47, và mô hình chưa từng được benchmark về chỉnh sửa đã thu hẹp phần lớn khoảng cách ngay khi các câu lệnh là câu lệnh thiết kế.

Đó là hình dạng của sự lựa chọn. MAI Image 2.5 Pro là mô hình hình ảnh tổng quát tốt hơn và là trình chỉnh sửa tốt hơn, xét theo đo lường. Ming-Image-0.1-Design là một chuyên gia thể hiện tốt hơn hẳn thứ hạng tổng thể của nó khi tác vụ là bố cục, và nó là mô hình duy nhất trong hai mô hình có đường xử lý nền trong suốt.

Một lưu ý cho cả hai bộ số liệu: đây là các con số theo phân khúc, và các phân khúc thì thay đổi. Số phiếu 13.521 của MAI Image 2.5 Pro trên toàn bộ bảng đủ lớn để khoảng tin cậy của nó hẹp, nhưng một phân khúc theo trường hợp sử dụng với hơn một nghìn phiếu phía sau là một con số kém vững chắc hơn, và những tuyên bố của nhà cung cấp đằng sau cả hai mô hình đều chưa được ai xác minh.

Những gì Microsoft tuyên bố và cái giá phải trả

Các con số của chính Microsoft cho MAI Image 2.5 Pro, tất cả đều do nhà cung cấp báo cáo và không có con số nào được tái lập độc lập:

• Độ chính xác kết xuất văn bản 96,8%, được ghi chú là bao gồm tiếng Trung, tiếng Anh, tiếng Nhật, tiếng Hàn và tiếng Tây Ban Nha — mặc dù cùng tài liệu đó giới hạn đầu ra ở khoảng một megapixel, nên cụm "8K" gắn với tuyên bố này tốt nhất nên được hiểu là tiếp thị

• Tuân thủ lời nhắc tốt hơn 27% so với GPT-Image-1.5 trên các đánh giá nội bộ của Microsoft

• 94% độ nhất quán nhân vật trên nhiều hình ảnh xuyên suốt các lần tạo

• Chi phí GPU thấp hơn tới 84–89% so với các mô hình GPT trong các kịch bản Microsoft cụ thể như PowerPoint và OneDrive — đây là con số theo kịch bản, không phải con số chung

Bảng thông số kỹ thuật được ghi lại làm cơ sở cho những tuyên bố đó: đầu vào văn bản lên tới 32.000 token, cửa sổ ngữ cảnh 131k, 4.096 token đầu ra, đầu vào hình ảnh JPEG và PNG, và giới hạn đầu ra 1.048.576 pixel. Giới hạn đó là vấn đề của người mua. Một trình biên tập chất lượng cao không thể vượt quá một megapixel chỉ là công cụ tạo tài sản cho mạng xã hội và web, chứ không phải công cụ in ấn, và độ chính xác kết xuất văn bản dù cao đến đâu cũng không thay đổi được số lượng pixel.

Giá trên Foundry được tính theo token: 5 USD cho mỗi triệu token đầu vào văn bản, 8 USD cho mỗi triệu token đầu vào hình ảnh, 106 USD cho mỗi triệu token đầu ra hình ảnh. Microsoft không công bố số token trên mỗi hình ảnh, vì vậy mọi con số trên mỗi hình ảnh đều là kết quả tính toán chứ không phải báo giá. Dùng cách quy đổi của Artificial Analysis, một hình ảnh 1024 x 1024 rơi vào khoảng 108,50 USD cho mỗi 1.000 hình ảnh — xấp xỉ 2,3 lần so với MAI-Image-2.5 cùng dòng ở mức khoảng 48 USD cho mỗi 1.000 hình, và 5,4 lần MAI-Image-2.5-Flash ở mức khoảng 20 USD cho mỗi 1.000 hình. Hạng Pro là mức giá cao cấp có chủ đích. Giá bản xem trước cũng không phải giá GA, và bảng giá có thể thay đổi trước khi phát hành chính thức.

Ming-Image-0.1-Design không có bảng giá của nhà cung cấp để so sánh, vì không có endpoint được host. Bảng Artificial Analysis liệt kê nó ở mức $30,00 cho mỗi 1.000 hình ảnh, đây là một cột do bảng tự suy ra chứ không phải giá niêm yết của nhà cung cấp — inclusionAI phát hành trọng số và một công thức phục vụ, chứ không phải API. Chi phí thực sự của nó là một GPU CUDA với 80 GiB VRAM, BF16, 12 bước lấy mẫu ở CFG 1.0, và đầu ra 2048 pixel được khuyến nghị. Mười hai bước ở guidance 1.0 là một bộ lấy mẫu đã chưng cất hoặc không dùng guidance, và chính điều đó khiến việc render 2048 pixel trở nên khả thi về chi phí với số bước như vậy; công thức được khuyến nghị của thẻ còn chạy một mô hình ngôn ngữ-thị giác phía trước mô hình khuếch tán để viết lại một prompt ngắn thành bố cục JSON có cấu trúc kiểu Figma với tọa độ, thứ bậc, thông số màu sắc và văn bản nguyên văn.

Có hai điều đáng để nói rõ ở phía chúng tôi. Chúng tôi không định tuyến cả hai mô hình này: không có mô hình hình ảnh Microsoft nào và không có mô hình inclusionAI nào xuất hiện trong danh mục OrcaRouter, nên cả hai đều có nghĩa là tuyến riêng của nhà cung cấp hoặc phần cứng của chính bạn. Điều mà lớp định tuyến thực sự dành cho là phía nhà cung cấp hiện hữu trong phép so sánh — một endpoint tương thích OpenAI trên hơn 200 mô hình, giá niêm yết của nhà cung cấp được chuyển nguyên trạng với mức markup 0% nên thay đổi giá từ nhà cung cấp có hiệu lực ngay trong cùng ngày, và tự động chuyển đổi dự phòng giữa các nhà cung cấp. Việc chạy cùng một bộ prompt với một mô hình hình ảnh được lưu trữ mà bạn đã tin tưởng và với một trong hai mô hình này chỉ là thao tác một phím, chứ không phải là một công việc mua sắm.

Câu hỏi về kích thước mà không ai đặt ra

Có một con số thứ hai làm phức tạp khía cạnh tải xuống của so sánh này, và đáng để nói rõ vì mô hình được quảng cáo là 6B. Diffusion transformer của Ming-Image-0.1-Design có 6.15B tham số. Gói này nặng khoảng 52.88 GB, vì bộ mã hóa văn bản đa phương thức là 17.01B và connector bổ sung 3.09B — tổng cộng khoảng 26B tham số ở BF16. Transformer của Layer companion gấp đôi, ở mức 12.31B, và gói của nó còn lớn hơn nữa, vào khoảng 65.20 GB. Yêu cầu 80 GiB VRAM là hệ quả của mọi thứ thường trú cùng với transformer, chứ không phải của con số 6B.

MAI Image 2.5 Pro có đặc điểm trái ngược: không có gì để tải xuống, không có gì để phục vụ, và một giới hạn cứng về những gì bạn có thể tạo ra với nó. Vấn đề nào trong hai vấn đề đó nghiêm trọng hơn phụ thuộc hoàn toàn vào việc nhóm của bạn đã vận hành GPU hay chưa.

Chọn một

• Bạn đang chỉnh sửa ảnh hiện có ở chất lượng cao và có thể nằm gọn trong một megapixel — MAI Image 2.5 Pro. Nó có vị trí thực sự trên bảng chỉnh sửa ở hạng 10, số lượng phiếu bầu lớn đằng sau điểm tạo ảnh của nó, và một quy trình nhiều ảnh được ghi nhận với chỉ số nhất quán do nhà cung cấp báo cáo. Mức giá phản ánh tất cả những điều đó.

• Bạn đang tạo các bố cục đậm đặc văn bản và cần độ trong suốt hoặc các lớp có thể chỉnh sửa — Ming-Image-0.1-Design. RGBA gốc và phân rã 2–9 lớp không phải là tính năng mà MAI Image 2.5 Pro cung cấp ở bất kỳ mức giá nào, và đầu ra 2048 x 2048 gấp bốn lần hạn mức pixel.

• Bạn cần đầu ra có độ phân giải in — cả hai đều không. Một cái giới hạn ở một megapixel, cái còn lại chỉ đạt tối đa 2048 vuông.

• Bạn cần một con số có thể bảo vệ được trong buổi đánh giá — MAI Image 2.5 Pro trên toàn bộ bảng đánh giá, Ming-Image-0.1-Design trên phần UI/UX, và không cái nào về độ chính xác kết xuất văn bản, nơi cả hai bộ tuyên bố đều do nhà cung cấp báo cáo và chưa được tái lập.

Lời kết trung thực là hai mô hình này không thực sự cạnh tranh với nhau. MAI Image 2.5 Pro là một trình chỉnh sửa cao cấp dạng dịch vụ lưu trữ với trần độ phân giải và mức giá tương xứng; Ming-Image-0.1-Design là bản tải xuống miễn phí, dẫn đầu lĩnh vực trọng số mở trong một lát cắt đấu trường chuyên về thiết kế và đổi lại yêu cầu một card 80 GiB. Điều đáng theo dõi là liệu Microsoft có nâng giới hạn megapixel trước GA hay không và liệu inclusionAI có bao giờ gắn endpoint vào các trọng số này không — bởi vì một trong hai động thái đó sẽ biến đây thành một cuộc đối đầu thực sự thay vì so sánh giữa hai kiểu cam kết khác nhau.