Ming-Image-0.1-Design vs MAI Image 2.5 Pro：百万像素上限决定成败

在比较 Ming-Image-0.1-Design与MAI Image 2.5 Pro 时，最关键的数字并不是 Elo 分数。而是 1,048,576。这是微软为 MAI Image 2.5 Pro 记录的输出上限——大约 1024 x 1024——而 inclusionAI 的 Ming-Image-0.1-Design 推荐 2048 x 2048，并且完全不会以中间尺寸渲染，而是把请求吸附到 1024 或 2048 档位。两个模型都确实擅长在图像中放入清晰可读的文字，这也是为什么它们总是出现在同样的讨论中。它们中只有一个能给你 400 万像素的版式，并且只有一个在超大规模云厂商的高级层级上按 token 计费。

Ming-Image-0.1-Design 是 inclusionAI 的 6B 文本到图像模型，采用 MIT 许可，权重于 2026 年 9 月 17 日发布。MAI Image 2.5 Pro 是 Microsoft AI 的质量层级，自 2026 年 7 月 23 日起在 Microsoft Foundry 上公开预览。关于二者文本渲染的宣称，均未在其提出该宣称的实验室之外得到复现——但其中之一经历过竞技场检验，这一区别贯穿下文始终。

每一个是为做什么而建的

MAI Image 2.5 Pro 是微软 MAI-Image-2.5 系列中的顶配型号，定位高于面向均衡工作的 MAI-Image-2.5 和面向大批量处理的 MAI-Image-2.5-Flash；截至 8 月 19 日，MAI-Image-2.6 已进入私密预览阶段。微软将其称为迄今保真度最高的图像模型，面向主视觉图像、精细编辑和图像内文字的精准渲染。它围绕多图输入构建：厂商报告称跨多次生成的角色一致性达到 94%，并将该模型定位于这样的工作流——你拿一份现有素材，改动一处，然后直接发布。

Ming-Image-0.1-Design 是一个从头构建的生成器，而非编辑器。输入提示词，输出图像，无需参考图。它的领域是文本密集型平面设计——UI 模型图、仪表盘、信息图、海报——其显著的技术特征是，当提示词以某个文档中列出的透明背景短语开头时，它会输出原生 RGBA。配套模型 Ming-Image-0.1-Design-Layer 可将扁平化设计分解为 2–9 张独立的 RGBA PNG，这些图像可重新组合成原始设计。

• 输出上限 — Ming-Image-0.1-Design 推荐 2048 x 2048，或 1024 x 1024，中间尺寸会吸附到这两者之一；而 MAI Image 2.5 Pro 上限为 1,048,576 像素，大致为 1024 x 1024

• 核心模式 — 仅提示词生成 vs 多图编辑，跨参考图保持角色一致性

• 透明度 — 来自采样器的原生 RGBA，另加通过配套模型实现的 2–9 层分解，对比之下无任何文档记录

• 许可证与访问权限 — 由你自己托管的 MIT 权重，对比 Microsoft Foundry 上的商业预览版

• 计费单位 — 自有 GPU 时间，一张 80 GiB 显卡对比按 token 计费，在 Foundry 上计量

• 独立文生图排名 — Ming-Image-0.1-Design 位列第45，Elo 995，21,342 个样本；对比 MAI Image 2.5 Pro 位列第12，Elo 1,098，13,521 个样本

• 独立编辑排名——无条目 vs MAI Image 2.5 Pro 位列第10，Elo 1,106，13,581 个样本

一起读出两个竞技场号码

Artificial Analysis 榜单，于 2026 年 9 月 24 日查看，所说明的情况比“某个模型更好”更为具体。

在文本到图像排行榜上，MAI Image 2.5 Pro 以 1,098 的 Elo 分数位列第 12 名，在 13,521 票中的 95% 置信区间为 ±8。Ming-Image-0.1-Design 以 995 Elo 位列第 45 名，±8，共 21,342 票。在一个如此窄的置信区间意味着并非噪声的排行榜上，这是 103 Elo 的差距。在图像编辑排行榜上，MAI Image 2.5 Pro 以 13,581 票、1,106 Elo 位列第 10 名；Ming-Image-0.1-Design 则完全没有上榜。

随后，在设计团队真正关心的那一个细分领域里，情况却发生了逆转。在同一榜单的 UI/UX 设计细分领域中，MAI Image 2.5 Pro 以 1,131 Elo 位列第 10，该细分领域共有 1,241 票；Ming-Image-0.1-Design 以 1,084 Elo 位列第 16，共有 2,100 票。差距从 103 Elo 缩小到 47 Elo，而这款从未在编辑任务上接受过基准测试的模型，在提示词变成设计提示词的那一刻，就追回了大部分差距。

这就是这个选择的形态。按实测，MAI Image 2.5 Pro 是更好的通用图像模型，也是更好的编辑器。Ming-Image-0.1-Design 是一个专才，当任务是布局时，其表现远超其总体排名，而且它是两者中唯一具备透明背景路径的。

关于这两组数字有一点需要注意：这些都是细分数据，而细分数据是会变的。MAI Image 2.5 Pro 在全榜上的 13,521 票数足够大，因此其置信区间很窄，但一个背后只有一千多票的用例细分，这个数字就更不可靠；而且这两个模型背后的厂商声明都未经过任何人验证。

Microsoft 声称什么，以及代价何在

微软自己公布的 MAI Image 2.5 Pro 数据，全部由厂商提供，无一经过独立复现：

• 96.8% 文本渲染准确率，标注为覆盖中文、英语、日语、韩语和西班牙语——不过同一份文档将输出限制在约一百万像素，因此附在该说法上的“8K”措辞最好解读为营销宣传

• 在微软内部评估中，提示词遵循度比 GPT-Image-1.5 高 27%

• 多次生成中多图像角色一致性达 94%

• 在 PowerPoint 和 OneDrive 等特定 Microsoft 场景中，相比 GPT 模型，GPU 成本最高可降低 84–89%——这是特定场景的数据，并非普遍情况

文档记载的规格表为这些说法提供了依据：文本输入最高 32,000 个 token，131k 上下文窗口，4,096 个输出 token，支持 JPEG 和 PNG 图像输入，以及 1,048,576 像素的输出上限。这个上限是买家要面对的问题。一款无法超过一百万像素的高质量编辑器，是社交媒体与网页素材工具，而不是印刷工具，而且再高的文本渲染准确度也改变不了像素数量。

定价在 Foundry 上按 token 计量：每百万文本输入 token 5 美元，每百万图像输入 token 8 美元，每百万图像输出 token 106 美元。微软并未公布每张图像对应的 token 数，因此任何单张图像的价格都是算出来的，而非官方报价。按照 Artificial Analysis 的换算方式，一张 1024 x 1024 的图像折合每 1,000 张约 108.50 美元——约为同门 MAI-Image-2.5（每 1,000 张约 48 美元）的 2.3 倍，也是 MAI-Image-2.5-Flash（每 1,000 张约 20 美元）的 5.4 倍。Pro 档位是刻意的溢价。预览版定价也不等同于正式版（GA）定价，且费率表在正式发布前仍可能变动。

Ming-Image-0.1-Design 没有供应商费率卡可供比较，因为它没有托管端点。Artificial Analysis 榜单将其列为每 1,000 张图像 $30.00，这是由榜单推导出的列，而不是厂商公布的定价——inclusionAI 提供的是权重和部署方案，而不是 API。它的实际成本是一块配备 80 GiB 显存的 CUDA GPU、BF16、CFG 1.0 下的 12 个采样步，以及建议的 2048 像素输出。在 guidance 1.0 下采用 12 步属于蒸馏采样器或无引导采样器，这正是使 2048 像素渲染在该步数下可行且可负担的原因，而该卡片推荐的配方还会在扩散模型之前运行一个视觉语言模型，将简短提示词重写为具有坐标、层级结构、颜色规范和逐字文本的 Figma 风格结构化 JSON 布局。

有两点需要我们这边说清楚。这两个模型我们都不路由：OrcaRouter 目录里既没有 Microsoft 的图像模型，也没有 inclusionAI 的模型，所以这两者指的都是厂商自家的路由，或者你自己的硬件。路由层真正的用处在于这场对比中既有的那一方——一个兼容 OpenAI 的端点，覆盖 200 多个模型，提供商标价以 0% 加价原样透传，因此厂商一旦调价，当天即生效，并可在各提供商之间自动故障转移。把同一组提示词分别跑在一个你已信任的托管图像模型和这两者中的任何一个上，只是按一下键的事，而不是走采购流程的事。

没人问的尺寸问题

还有第二个数字让这一对比中下载方面的情况变得复杂，值得一提，因为该模型对外宣传为 6B。Ming-Image-0.1-Design 的扩散 Transformer 有 6.15B 参数。整个包约为 52.88 GB，因为多模态文本编码器有 17.01B，连接器又增加了 3.09B——在 BF16 下总计约 26B 参数。Layer 配套模型的 Transformer 则翻了一倍，达到 12.31B，其包体积也更大，约为 65.20 GB。80 GiB 的显存需求源于与 Transformer 一同常驻的所有组件，而不是 6B 这个数字。

MAI Image 2.5 Pro 的情况正好相反：无需下载任何东西，也无需提供任何服务，而且你能用它生成的内容存在严格上限。这两个问题哪个更糟，完全取决于你的团队是否已经在运行 GPU。

选择一个

• 你正在以高质量编辑现有图像，并且能在百万像素范围内游刃有余——MAI Image 2.5 Pro。它在真实的编辑榜单上位列第 10，其生成得分背后有庞大的投票数，还有一套有据可查的多图流水线，并带有厂商报告的一致性数值。价格正反映了这一切。

• 你正在生成文本密集型布局，并且需要透明度或可编辑图层——Ming-Image-0.1-Design。原生 RGBA 和 2–9 层分解并非 MAI Image 2.5 Pro 在任何价位下提供的功能，而 2048 x 2048 的输出是像素预算的四倍。

• 你需要打印分辨率的输出——两者都不行。一个最高只有一百万像素，另一个最高只有 2048 见方。

• 你需要一个在评审中站得住脚的数字——完整榜单上认 MAI Image 2.5 Pro，UI/UX 细分场景上认 Ming-Image-0.1-Design，而文本渲染准确性这两者都别认，因为这两组说法均属厂商自报、未经复现。

诚实的结论是，这两个模型其实并不真正构成竞争。MAI Image 2.5 Pro 是一款高端托管编辑器，有分辨率上限，价格也与之匹配；Ming-Image-0.1-Design 则是免费下载，在开放权重领域中于一个设计专用的竞技场切片里领先，但代价是需要一张 80 GiB 的显卡。真正值得关注的是，Microsoft 是否会在 GA 之前解除百万像素上限，以及 inclusionAI 是否会给这些权重接上一个端点——因为这两者中的任何一个举措，都会让这变成真正的正面交锋，而不是两种不同投入之间的比较。