MAI Image 2.7 Preview 對上 HY Image 3.5：你不該計算的 105 分差距

把這兩個數字並排一看，比較結果似乎已成定局。MAI Image 2.7 Preview 在 Artificial Analysis 的圖像編輯排行榜上拿下 1,193 Elo。HY Image 3.5 則是 1,088。這是 105 分的差距，而在 Elo 量表上，這不是四捨五入的差異——這是不同級別的模型。唯一的問題是，這兩個數字來自 Artificial Analysis 一直在重建的排行榜的不同快照，而跨快照相減，就如同把攝氏溫度拿來和華氏溫度比較，還把差值說成熱浪一樣，是同樣的錯誤。

這很重要，因為不當的相減是雙方最方便的論據。微軟受益於一個能讓其預覽版看起來領先已上市競爭對手一百分的數字。騰訊則受益於和一個無人能調用的模型相比。雙方都不必提出這個論點，它就會傳開，因為這些數字以同一個名稱並列在同一張排行榜上。

以下是每個模型實際提供的內容，並與不成立的算術區分開來。

同一個看板名稱下的兩個快照

MAI Image 2.7 Preview 的 1,193 分來自 AA-Image-Editing v2.1，快照日期為 2026 年 10 月 22 日。它排名第二，落後於 GPT Image 2.5 Sunburst 的 1,199 分，並領先於 GPT Image 2.5 Flare 的 1,182 分。

HY Image 3.5 的 1,088 分，來自 2026 年 9 月對編輯排行榜的一次讀取：在九十七個模型中排名第十四，信賴區間為 1,079 至 1,097，背後有 5,550 次成對比較。同一次讀取中，HunyuanImage 3.0 Instruct 為 1,066，Qwen-Image-2.1 為 1,074。

排行榜版本與評估窗口並不一致，這本身就足以讓這兩個數字之間的差異無法解讀。本部落格先前關於 MAI-Image-2.6 的文章已經說明了原因：當排行榜重建為 v2.1 時，較舊模型的分數隨之變動，而那場看似能力退步的「回歸」，其實只是量尺改變所造成的假象。同樣的警惕也適用於反方向。用兩把量尺拼湊出來的 105 分差距，並不構成對任何事物的測量。

可以更有把握地說的是，範圍更窄但仍有用：在各自受測時，這兩個模型都位於編輯排行榜前十五名內，而且兩者都不在榜首。

HY Image 3.5 明顯更勝一籌的地方

三件事，而且沒有一件接近。

• 你可以呼叫它。HY Image 3.5 可透過 Tencent Cloud 的 API 使用，並提供已記載的端點，支援 Chat 或 Messages 協定，以及一份列出所有參數的影像生成指南。MAI Image 2.7 Preview 沒有 API、沒有 Foundry 上架資訊，也沒有公布價格。

• 你可以為它定價。騰訊對每張 2K 圖像收費 ¥0.15，約 2.5 美分，且僅對生成的輸出計費。微軟尚未以任何貨幣公布 2.7 的價目表。

• 它能完成整個工作。HY Image 3.5 透過單一端點處理文字轉圖像、圖像轉圖像與多輪編輯。MAI Image 2.7 Preview 僅限編輯，生成功能則列為即將推出。

第三點才是決定這兩者各自屬於哪種產品的關鍵。多輪編輯意味著模型能在同一段對話中，於一連串修訂之間維持主體一致——這正是設計師花一個下午反覆雕琢某個素材的工作模式。每次請求都從零開始的單次編輯器則是另一種工具，而微軟並未說明 2.7 支援的是哪一種模式。

文生圖排行榜讓排名大翻轉

以下是任何人在做單一數字比較時都該保持謹慎的細節：在 Artificial Analysis 的文生圖排行榜上，HY Image 3.5 獲得 975 Elo，在 166 個模型中排名第 66。這比它自己的前代 HunyuanImage 3.0 Instruct 低約 20 分，而這與編輯排行榜呈現的情況正好相反——在該榜上，3.5 比同一前代高出 22 分。

一個模型在一個榜單上勝過前代，在另一個榜單上卻輸給前代，這並不是模型本身自相矛盾。這是一個訊號：這兩項評估衡量的是不同的提示群體，而一個針對指令遵循編輯進行調校的模型，可能在開放式生成上退步，同時它的任何數字都沒有錯。騰訊自身的表述支持這種解讀：發布資料聚焦於專業創意工作、文字渲染、編輯一致性，以及思維鏈提示改寫器，並將文字轉圖像模式呈現為多項能力之一，而非主打亮點。

對於 MAI Image 2.7 Preview，對應的看板是空的，因為該模型無法生成。這不是缺少的資料點；這是產品決策。

不同的失效模式，而非不同的品質等級

每個模型聲稱具有優勢的類別，指向的是真正不同的問題。

微軟對 2.7 的主張是「全幀判斷」：重新設計場景風格、重新打光、修復影像、改寫文字，讓文字融入影像之中，而不是浮貼在影像之上。在 Artificial Analysis 的評測中，該模型在七項編輯操作中有四項排名第一，其中在場景與風格方面以 24 分的差距領先幅度最大；微軟表示，相較於 2.6，它在十個使用案例與七項操作上都有所提升。

騰訊對 HY Image 3.5 所宣稱的優勢，在於跨版本修訂間的一致性、算繪文字的可讀性（包括小字與多語文字），以及真實感。其證據是一項內部盲測：在數百位專業設計師的評測中，勝率比 Hy Image 3.0 高出約 30%，與 Seedream 5.0 Pro 大致持平，並略勝 Nano-Banana Pro 與 Qwen-Image-3.0 Pro。這些是廠商自行執行的 GSB 結果，並非獨立排名，解讀時應將此點納入考量。

綜合來看，這兩種說法描述的是一種真實的分工。如果任務是「讓這張照片看起來像冬季宣傳活動」，2.7 在場景與風格上的餘裕正是針對這一點。如果任務是「讓這個產品在四十次渲染中保持一模一樣，並讓標籤保持可讀」，HY Image 3.5 宣稱的強項正是針對這一點。這兩種說法都不能作為另一項任務的證據。

大量採購時各項的成本

定價不對稱的程度大到足以單憑本身決定大多數實際部署。

HY Image 3.5 每張 2K 圖像 ¥0.15，約合 $0.024。每月一千張圖像，在未計入重試的情況下約為 $24。輸出解析度文件記載為 2K，而 API 的 size 參數可接受更大的範圍——在 16,777,216 像素面積上限下，寬度與高度介於 256 至 8192，最高可涵蓋 4096×4096。Tencent 發布公告中的參考圖上限為每次請求五張；API 指南的參數表針對較舊的 3.0 端點記載為零到三張，且未再載明 3.5 的數量，因此在圍繞此上限規劃工作流程前，請對照即時文件確認。

MAI Image 2.7 Preview 不花一毛錢，卻消耗了這棟大樓裡最昂貴的資源：瀏覽器分頁中的人類注意力。一千張圖片就是一千趟手動往返。這個模型免費，意思是一個樣本免費。

如果團隊本季想把其中一個模型放進管線，決策其實已經由可用性決定；而且值得明白指出：OrcaRouter 並未託管這兩個模型中的任何一個——HY Image 3.5 可透過 Tencent 自家的雲端 API 存取，而 MAI Image 2.7 Preview 則完全無法存取。閘道真正改變盤算的地方在於備援層：如果你建構在預覽等級的編輯端點上，一份能在錯誤或逾時時容錯切換到第二個模型的路由設定，就是糟糕午後與發布事故之間的差別。

一個能一錘定音的測試

排行榜是建立在中性提示詞與單次執行之上的。買家真正想問的是：同一份素材在第五次修訂時會發生什麼事，尤其是在附有參考圖像，且有一項必須在每個步驟中都保留下來的限制條件的情況下。

HY Image 3.5 今天就能用這種方式測試：送出來源影像、參考影像，以及多輪序列，然後檢查主體到第四輪時是否會漂移。MAI Image 2.7 Preview 可以在 Playground 中測試單次生成品質，並在 Arena 中測試盲測偏好，但無法測試序列一致性，因為沒有序列介面。

在 Microsoft 推出端點、且 Artificial Analysis 在同一排行榜版本上重新讀取這兩個模型之前，誠實的比較是這樣：騰訊擁有較便宜、可呼叫、支援多輪且分數居中的模型，而 Microsoft 則有分數較高、卻無人能部署的單次通過編輯器。兩者之間 105 分的差距是時機上的巧合，而非一項研究發現。