Microsoft AI: MAI-Image-2.5

MAI-Image-2.5 は Microsoft の画像生成モデルで、Microsoft AI のバナーで公開され、api14 上では microsoft/mai-image-2.5 として識別されます。これは画像カテゴリに属し、Microsoft は Azure AI Foundry 経由で利用できる高品質な画像生成モデルと説明しています。すでに Microsoft のエコシステム内で作業している場合や評価している場合、これがその提供を支えるモデルです。

このモデルはテキストと画像の入力を受け取り、画像を返します。つまり、プロンプトだけで動かすことも、プロンプトと一緒に単一の入力参照画像を渡して結果を導くこともできます。コンテキストウィンドウは 4096 トークンで、最大出力は 1024 です。生成は少数の画像パラメータで制御します。aspect_ratio は 1:1、4:3、3:4、16:9、9:16、3:2、2:3 または auto を受け付けます。n はちょうど 1 に固定されているため、各リクエストは単一の画像を返します。input_references は 0 から 1 枚の参照画像を受け付けます。Microsoft は出力をフォトリアリスティックかつ芸術的の両方と位置づけているため、狭い見た目ではなくかなり広いスタイル範囲をカバーすることを意図しています。

実用的な用途はこれらの機能から直接導かれます。テキストから画像の生成は通常の領域をカバーします。コンセプトアート、マーケティングビジュアル、イラスト、特定のフレーミングが必要なアセットのドラフトなどで、ここではアスペクト比のオプションが重要になります。正方形、横長、縦長の出力を後処理のクロップなしで要求できるからです。このモデルは 1 枚の入力参照画像を受け付けるため、既存の画像に導かれて新しい画像を作りたいワークフローにも適しています。たとえば構図のバリエーションを生成したり、参照から視覚スタイルを新しいシーンに引き継いだりする場合です。リクエストあたり 1 枚の画像という制約があるため、バッチ作業は一度に複数枚を求めるのではなく、複数回の呼び出しを行うことになります。

api14 経由での呼び出しは、ゲートウェイ上の他のモデルと同じように、model id に microsoft/mai-image-2.5 を使い、OpenAI 互換 API で動作します。サポートされるリクエストパラメータは max_completion_tokens、max_tokens、temperature で、これに上記のアスペクト比と入力参照の画像パラメータが加わります。既存の OpenAI クライアントコードがある場合、model id と base URL を変更すれば、リクエストの形はなじみのあるままです。

コミットする前に知っておく価値のある制限がいくつかあります。4096 トークンのコンテキストウィンドウは控えめなので、非常に長いプロンプトや細部の多いプロンプトは、より大きなコンテキストのモデルほど余裕がありません。出力は 1024 に上限があり、n は 1 を超えられず、受け付けられる入力参照は 1 枚だけなので、複数の参照画像や呼び出しあたり複数枚の画像を必要とするタスクには向きません。作業が画像生成ではなくテキストである場合、またははるかに大きなコンテキストが必要な場合は、api14 上の別のモデルの方が適しています。