微软MAI-Image-2.6双模型上线AI Gateway，支持图像生成与编辑

微软的 MAI-Image-2.6 和 MAI-Image-2.6-Flash 两款图像模型现已登陆 AI Gateway。开发者通过一个 API key 即可调用，无需单独注册微软服务商账户，这在一定程度上简化了多模型工作流的接入成本。

两款模型，两种定位

MAI-Image-2.6 和 MAI-Image-2.6-Flash 共享同一套核心能力，但在性能与成本之间做出了不同的权衡。

MAI-Image-2.6（模型 ID：microsoft/mai-image-2.6）面向最终交付场景。当图像质量优先级高于生成速度时，这个版本是更合适的选择，适合产出品牌素材、产品定稿等不容妥协的输出。

MAI-Image-2.6-Flash（模型 ID：microsoft/mai-image-2.6-flash）则主打快速生成与低成本。它更适合需要大量迭代的场景，比如快速探索提示词效果、批量生成变体方案，或者在正式出图前做多轮草稿验证。

这种"质量版+速度版"的双模型策略，在当前的图像生成领域并不少见。它的实际意义在于：开发者不必在同一个模型上反复权衡质量与延迟，而是可以根据任务阶段灵活切换——早期探索用 Flash，最终出图切到标准版。

MAI（Microsoft AI）系列是微软自研的图像生成模型家族，与 DALL·E 系列不同，MAI-Image 更强调写实质量、图像内文本渲染和定向编辑能力。此前 MAI 图像模型主要通过 Azure AI Foundry 等微软自有平台提供，此次上线第三方 AI Gateway 属于分发渠道的扩展。所谓 Flash 版本，是业界常见的命名惯例（最早由 Gemini Flash 推广），通常意味着更小的模型规模、更低的推理延迟和更低的单价，代价是细节表现、指令遵循精度有所折中。理解这一命名规律有助于判断：Flash 并非"缩水版"，而是针对高吞吐、低单位成本场景做的取舍。

AI Gateway 是一类统一模型接入层，位于开发者与各家模型厂商 API 之间。它通常提供统一的认证体系、请求格式转换、用量计费、限流与可观测性等能力。对开发者而言，最大的价值是不必为每个供应商单独维护 SDK、密钥和错误处理逻辑，只需切换模型 ID 即可。这类网关常见于 Vercel AI Gateway、Cloudflare AI Gateway、OpenRouter 等产品形态。

核心能力：写实、文本渲染与精准编辑

两款模型均支持三类关键能力：

照片级写实图像生成。从文本提示词直接生成接近摄影质量的图像，覆盖产品、人物、场景等常见题材。

图像内文本渲染。生成图像中的文字内容能够正确呈现，这对于海报、Banner、UI 稿等包含文字元素的场景尤为关键——过去不少图像模型在文字渲染上表现不稳定，容易产生乱码或变形。

定向编辑。这是一种更具实用价值的编辑方式：你可以指定图像中的某个区域或对象进行修改，而不影响画面其余部分。官方给出的示例是：把花瓶改成陶土材质，同时保持花朵和场景不变。产品图、人像、版式调整都可以通过这种方式完成。

图像内文本渲染之所以长期被视为难点，是因为传统扩散模型在像素空间中并不具备显式的字符建模能力，文字常被当成普通纹理生成，导致笔画粘连、拼写错误。近年主流方案是在扩散骨干中引入更强的文本编码器，或采用 DiT（Diffusion Transformer）架构提升对结构化内容的理解。评估这一能力时，可关注短词组、长句中英混排、多行排版等不同难度层级的实际表现。

定向编辑（局部重绘/Inpainting） 指在保持图像其余部分不变的前提下修改指定区域。其技术前提是模型能够接收原图与掩码或语义指令，仅在目标区域重新去噪。相比整图重绘，它能显著提升产品图、人像修饰等场景的可控性，也更容易与已有素材保持一致。实际使用中，编辑指令的粒度、参考图质量都会影响保真度，建议结合具体用例反复测试边界。

参考图与输出规格

MAI-Image-2.6 支持最多 5 张参考图像输入，用于引导编辑或组合不同主体。这意味着你可以提供多张素材图，让模型理解目标风格或主体特征后再执行生成/编辑操作。

输出尺寸最高支持 1536 × 1536。这个分辨率对于社交媒体素材、电商展示图、原型设计等场景基本够用，但如果需要更高分辨率输出，可能需要额外的放大处理。

参考图像输入属于多模态条件控制的一种，常见实现方式包括 IP-Adapter、ReferenceNet 等，通过对参考图提取视觉特征并与文本提示融合，引导生成结果的风格或主体一致性。支持多张参考图时，模型还需处理多个条件之间的权重分配，因此不同组合的实际效果差异较大，建议从单张参考图开始验证，再逐步增加数量。

1536 × 1536 是当前主流图像生成模型的中高分辨率档位。需要更高分辨率输出时，业界通常采用超分（Upscaling）或分块生成再做拼接的方案，但后者容易在接缝处产生不一致。因此，若下游场景（如大幅面印刷）对分辨率有硬性要求，应在选型阶段就把后处理链路一并考虑。

调用方式：AI SDK 与 AI CLI

模型通过 AI SDK 或 AI CLI 调用，提供 AI SDK 原生格式和 OpenAI 兼容格式两种接入方式。

生成图像的基本调用：

import { writeFile } from 'node:fs/promises';
import { generateImage } from 'ai';

const { image } = await generateImage({
  model: 'microsoft/mai-image-2.6',
  prompt: 'A blue ceramic vase with wildflowers on a sunlit wooden table.',
  size: '1024x1024',
});

await writeFile('image.png', image.uint8Array);

编辑已有图像时，将原图作为输入并附带修改指令：

import { writeFile } from 'node:fs/promises';
import { generateImage } from 'ai';

const { image: editedImage } = await generateImage({
  model: 'microsoft/mai-image-2.6',
  prompt: {
    text: 'Change the vase to terracotta and keep the flowers and setting.',
    images: [image.uint8Array],
  },
});

await writeFile('edited-image.png', editedImage.uint8Array);

你可能没注意到，编辑调用中的 prompt 从字符串变成了包含 text 和 images 字段的对象结构。这个设计把"指令"和"参考素材"放在同一个参数里，接口层面比较直观。

开发者还可以在 model playground 中直接体验两款模型，或查阅图像生成指南了解更完整的参数配置。

接入层面的变化

这次上线的实际影响可能更多体现在接入便利性上。通过 AI Gateway 统一调用，开发者不需要为微软的图像模型单独维护一套认证和 SDK 集成。对于已经在使用 AI Gateway 管理多个模型供应商的团队来说，新增这两款模型只是增加一个模型 ID 的事。

从产品策略看，微软把 MAI 系列图像模型推向第三方网关，而不是仅限 Azure 生态内部使用，说明其在图像生成领域的开放姿态在增强。Flash 版本的定价导向也很明确——用低门槛吸引开发者先跑起来，再在质量要求提升时自然过渡到标准版。

对于正在评估图像生成方案的团队，这两款模型值得纳入对比清单测试，尤其是在定向编辑和文本渲染这两个细分能力上，实际表现是否达到官方描述的水平，还需要通过具体用例来验证。