MAI-Image-2.5-Pro 對比 Qwen-Image 3.0：四倍價格，不同類型的文字

把MAI-Image-2.5-Pro和Qwen-Image 3.0放在一起，首先注意到的就是價格：約每 1,000 張圖像 $108.50對應微軟高階方案，而約每 1,000 張 $25–30對應阿里巴巴 Qwen-Image 3.0 的價格——阿里巴巴自家報價約 $25，而 Artificial Analysis 的排行榜則列出 $30。無論哪個數字都貴了超過三倍。這份溢價實際買到的是不同類型的文字處理工作。Qwen-Image 3.0 由阿里巴巴 Q​wen 團隊於 2026 年 7 月 21 日釋出，並於 8 月 4 日開放國際 API，其定價定位是大量文字渲染工具——在十二種語言中可讀至約 10px，並有 4,500 個 token 的提示詞視窗可容納內容密集的提示。MAI-Image-2.5-Pro 自 7 月 23 日起在 Microsoft Foundry 公開預覽，是獨立排行榜上評價最高的編輯器，具廠商宣稱的文字渲染準確度，但輸出上限硬性限制在約 1 百萬像素。兩者都是主打文字的 API 圖像模型；它們競爭的是每項工作的價格，而不是單一品質分數。

兩個文字故事，皆未完全證實

文本之爭是兩種模型並存的原因，也是證據最薄弱之處——本節中的所有數據皆由廠商自行報告，且未經任何獨立重現。

• Qwen-Image 3.0——阿里巴巴的發布資料宣稱可清晰渲染至約10px，原生支援12 種語言，具備 20+ 種字體與 100+ 種藝術風格、數學符號、下標、上標與多行公式，並熟悉常見的網頁、遊戲與軟體介面。提示詞視窗最高可接受4,500 tokens的輸入——比前一代提升 4.5 倍——因此能一口氣處理像是報紙頭版或九宮格知識圖表這類密集內容。

• MAI-Image-2.5-Pro — Microsoft 宣稱 文字渲染準確度達 96.8%，涵蓋中文、英文、日文、韓文和西班牙文；一項 27% 更好的提示遵循度，優於 GPT-Image-1.5 在內部評估中，以及 94% 的多圖角色一致性。輸入規格在紙面上更寬裕——最多 32,000 個文字輸入 token，上下文視窗 131k——輸出上限為 1,048,576 像素，相當於 1024×1024。

截至撰寫本文時，這兩項主張均未被重現。兩者的差異在於主張的形式：Q​wen 的主張涉及跨文字系統的數量與可讀性，微軟的主張則涉及五種指定語言的準確性與一致性。兩家廠商均未發布可供其他實驗室運行與檢驗的基準測試。

編輯就是精髓所在

區分兩者的是編輯，而這正是唯一有獨立證據的軸線。MAI-Image-2.5-Pro 位居Artificial Analysis 影像編輯競技場第一名，Elo 1,272（約 6,100 張盲測投票），領先 Reve 2.1、MAI-Image-2.5 和 GPT Image 2。在同一排行榜上，較新的 Qwen-Image-3.0-Pro 則為1,249——一個頗具競爭力的分數，落後 23 Elo，而且對一款本月才進入國際 API 的模型來說相當引人注目。

在基礎模型之外，阿里巴巴的編輯組合與其說是一頂單一桂冠，不如說是一套專業技巧：古畫修復、全景生成、草圖轉PPT、多鏡頭分鏡。微軟的則是一場更狹窄、更深遠的賭注——精確且手術刀式的編輯，讓畫面其餘部分保持一致（物件替換、版面變更、圖像內文字更新、模糊清理），這類編輯正是舊模型會重新生成整個場景、失去主體的那一類。對於「拿現有素材，改一點，然後交付」這種工作流程，Pro 級別的獨立 #1 是更強的信號；而對於琳瑯滿目的創意編輯格式，Q​wen 的清單則更廣泛。

規格對比

• 價格 — 每1千張圖片約108.50美元（1024×1024，AA換算）vs 每1千張約25–30美元（阿里巴巴報價 vs AA標示費率）br />• 發布 — 2026年7月23日（公開預覽版，Foundry）vs 2026年7月21日，國際API於8月4日br />• 文字輸入 — 32,000個token、131k上下文 vs 4,500個token的提示詞窗口br />• 輸出上限 — 約1,048,576像素（約1K）vs 最高2048×2048br />• 每次調用圖片數 — 每次請求單一輸出 vs 每次調用最多六張圖片br />• 編輯排名 — 第一名，Elo 1,272（AA）vs Qwen-Image-3.0-Pro在同一排行榜上的1,249br />• 來源 — 微軟「未從第三方模型蒸餾」的主張 vs 輸出上的AIGC來源標籤br />• 權重 — 封閉，僅API vs 封閉，僅API

輸出上限和每次呼叫的數量比表面上看起來更重要。Qwen-Image 3.0 可以渲染 2048×2048 的影像，且每次呼叫最多可回傳六張影像，這是一項批次經濟性的功能；Pro 等級的上限接近 1K，且每次請求只回傳單一輸出。如果你的需求是「給我六張產品照的系列」，阿里巴巴的模型就是為此設計的，而微軟的模型則不是。

當溢價能自我回本

決策規則關乎的是圖像的用途，而不是哪個模型「更好」。

• 為 MAI-Image-2.5-Pro 支付溢價，當輸出是關鍵資產——產品視覺、海報、關鍵幀，或是會投入行銷活動且不會被重新生成五十次的影像。編輯排名第一與角色一致性保證，在編輯必須一次到位時最為重要。

• 以 Qwen-Image 3.0 大量購買，當輸出是一次性使用或數量龐大時——本地化廣告變體、佔位圖、草圖轉 PPT 簡報、分鏡圖框，任何你會重新生成而非精修的情況。以每 1k $25–30 的價格，一次失敗的生成只是四捨五入的誤差；以每 1k $108.50 的價格，則不然。

值得提出一個中間立場：對於密集的多語言文字圖像工作——一個包含日文和西班牙文文案的登陸頁面模型、一張含公式的資訊圖表——Q​wen 在紙面上是更合適的選擇，其 10px 字級清晰度與十二種語言支援，而且價格僅四分之一。微軟模型的論點是其在五種語言上 96.8% 準確率的宣稱，但該宣稱未經證實，而在兩個未經證實的文字宣稱之間做選擇的買家，或許應該以價格為重。

路由層（在適用時）

這兩個模型目前都還無法透過 OrcaRouter 存取——Qwen-Image 3.0 位於阿里巴巴自家的 API（阿里雲百煉和 Q​wen 平台）以及數個第三方平台上，而 MAI-Image-2.5-Pro 則在 Microsoft Foundry 上——所以誠實的比較說得很清楚：兩者目前都不在我們這一邊。當任一方開始可透過可呼叫的託管供應商使用時，轉嫁經濟學便適用：在供應商定價之上加價 0%，因此你支付的就是廠商的價目表，而上市折扣或降價也會在宣布當天就反映在你的帳單上。故障轉移論點是另一半：Qwen-Image 3.0 是才推出幾週的國際 API，屬於你會將一部分流量路由過去、同時讓經過驗證的後備方案吸收邊緣情況的模型類型——這正是路由層的設計用途。

裁決

Qwen-Image 3.0 與 MAI-Image-2.5-Pro 並非同一產品的不同定價，而是恰好定價不同的兩種產品。微軟的模型奪下編輯桂冠，上下文視窗更大，並在五種語言上提出未經驗證的準確度宣稱——就主視覺素材與精準編輯而言，溢價有其道理。阿里巴巴的模型能清晰渲染更多文字系統，依照自身條件接受每次生成更密集的提示內容，輸出更大且一次六張，成本只需四分之一——就大量產出與多語言圖內文字工作而言，這是經濟上理性的選擇。在影像是產品的地方買高階版；在影像是庫存的地方買大量版。