用 MagicArena 对战投票比较视觉生成模型并解锁个人排行榜

MagicArena 是一个视觉生成模型的公开对战平台：同一个提示词交给两个不同的图片或视频生成模型，由用户凭主观判断选出更好的一方，平台再根据胜负关系用 Elo 积分体系动态调整每个模型的评分，最终形成排行榜。它解决的是「同一提示词下，不同模型到底差在哪」这个问题——不靠厂商样张，而靠大量普通用户的盲测投票。适合想快速了解 Midjourney、FLUX、可灵、海螺、即梦等视觉模型实际表现差异的创作者、设计师与选型人员。如果你只是想先看看站内还有哪些可用的 AI 工具，可以从 MagicArena 这一条目进入，再回到本文按步骤操作。

需要先说明一点：本文讲的是「怎么用这个平台做对比与投票」，不是对某个模型效果的结论。平台上的模型阵容、积分、排行榜名次都会随时间变化，任何具体数字都应以官网当前显示为准。

准备工作

MagicArena 的使用门槛很低，进入主页即可开始对战，不需要先配置 API Key，也不需要本地安装任何客户端。开始之前，建议先把下面几件事想清楚，后面的操作会顺很多。

• 一个可用的浏览器与稳定网络：竞技场以图片和视频为主要内容，视频对战尤其吃带宽，网络不稳会导致素材加载不完整，影响判断。
• 明确你要评的是哪一类生成：平台同时提供图片生成竞技场与视频生成竞技场，两者的投票逻辑一致，但观看方式差别很大。图片可以一眼扫完，视频需要完整播放才能判断运动一致性、时长与画面稳定性。
• 准备好「凭主观判断」的心态：竞技场不提供参考答案，也没有客观指标。你看到的是同一个提示词下两张图或两段视频，选哪边更好完全取决于你的审美与用途。这一点决定了投票结果的质量，也决定了个人排行榜对你的参考价值。
• 想清楚投票的目的：如果只是随便玩玩，投几条就够；如果想解锁个人排行榜、看到自己投票口径下的模型胜率与 Elo 得分，就需要有意识地累积贡献值，并且尽量保持判断标准一致。

关于账号：素材中描述的流程是进入主页直接开始对战，投票完成后才展示所用模型。如果你打算长期使用、希望个人排行榜数据被保存下来，建议使用固定的浏览器环境，避免清理缓存后贡献值记录出现偏差。平台是否要求登录、登录方式有哪些，以官网当前页面为准。

操作步骤

第一步：进入竞技场，读懂页面结构

打开 MagicArena 主页，默认呈现的就是模型竞技场。页面会随机刷新一套对战素材，结构大致分三块：

• 顶部提示词：这一轮两个模型共同收到的输入文本，是判断「谁更贴合要求」的唯一依据。
• 中间参考图与两侧生成结果：参考图（如有）给出原始素材，两侧分别是两个模型基于提示词产出的结果。
• 底部操作按钮：四个选项，分别是「左边更好」「右边更好」「两者都好」「两者都差」。

注意，此时页面不会告诉你哪一边是哪个模型。这是盲测设计的核心：先判断，后揭晓。如果提前知道模型名字，投票很容易被品牌印象带偏。

第二步：按提示词逐项比对，做出选择

判断时不要只看「哪张更漂亮」，而是回到提示词，逐条核对。可以按下面的顺序过一遍：

1. 主体是否符合：提示词要求的主体是否出现、数量是否正确、形态是否合理。
2. 细节是否到位：材质、光影、文字、配饰、背景元素等提示词明确提到的部分，哪一边更完整。
3. 有没有明显错误：多余的手指、扭曲的肢体、错位的透视、糊掉的文字，这类硬伤通常直接决定胜负。
4. 整体观感：构图、色彩、风格一致性。当前三项打平时，这一项就是决胜项。

四项都过完之后，在底部四个按钮里选一个：

• 左边明显更符合提示词 → 点「左边更好」
• 右边明显更符合提示词 → 点「右边更好」
• 两边都基本达标、难分高下 → 点「两者都好」
• 两边都有硬伤、都不能用 → 点「两者都差」

「两者都好」和「两者都差」不是凑数的选项。当两边质量接近时，强行二选一会给 Elo 系统注入噪声；如实选择平局或双负，反而能让排行榜更贴近真实水平。

第三步：查看揭晓结果，记录你的判断

投票提交后，页面会揭晓两侧分别使用的模型。例如某一轮中，被判定为更好的一侧是 Seedream v4.0 模型。这一步值得花几秒钟做一件事：把你刚才的判断和模型名字对上，形成自己的印象库。

长期下来，你会积累出一份「在什么类型的提示词下，哪个模型更稳」的私人清单。这比任何公开榜单都更贴合你自己的用途，因为你的判断标准始终是同一个人。

第四步：切换到视频生成竞技场

图片和视频是两套独立的竞技场。在页面右上角可以切换当前竞技场的类型，从图片生成切到视频生成。切换之后，对战素材从静态图变成视频片段，投票按钮与逻辑不变。

视频的判断维度与图片不同，建议单独建立一套核对顺序：

• 首帧是否符合提示词：主体、场景、风格是否在第一眼就对上。
• 运动是否自然：镜头运动、人物动作、物体位移有没有跳变、抖动或穿模。
• 时间一致性：同一主体在整段视频里是否保持外观一致，有没有中途变形、换脸、服饰突变。
• 画面稳定性：有没有闪烁、噪点堆积、边缘撕裂。
• 完整度：视频是否完整播放、有没有中途截断。

视频比图片更耗时间，一轮对战往往需要反复播放才能下判断。如果只是想过一遍模型阵容，图片竞技场的效率更高；如果要评估某个模型能否用于实际视频产出，视频竞技场不可跳过。

第五步：累积贡献值，分阶段解锁个人排行榜

个人排行榜不是一开始就有的，它按贡献值（也就是你完成的投票条数）分阶段解锁。规则如下：

贡献值	解锁状态	能看到什么
少于 30 条	个人排行榜未激活	无，需要继续对战投票
达到 30 条	可计算模型胜率	基于你投票结果的各模型胜率
达到 100 条	解锁完整的个人榜	在你投票口径下的 Elo 得分

达到 100 条之后，榜单不是实时刷新的：每多投 50 题，个人榜会自动更新一次。也就是说，从 100 条到 150 条之间，你看到的仍是上一次计算的结果；投满 150 条后才会重新计算。理解这个节奏，可以避免「我明明又投了十几条，怎么分数没变」的困惑。

如果你的目标是拿到一份可用的个人榜，比较务实的做法是：先集中投满 30 条，看看胜率分布是否符合你的直觉；再继续投到 100 条，拿到 Elo 得分；之后按每 50 条一个周期查看更新。

第六步：用探索区看别人的结果

平台还有一个「探索」功能，用来浏览平台上已生成的作品，并且每个人都可以对作品发表评论。需要留意的是，探索区只显示平台随机模式下生成的结果，不是你自己的对战记录，也不是全部生成内容。把它当作一个公开的作品流来用即可：看看同一类提示词下别人产出了什么，再回到竞技场验证自己的判断。

一个完整示例

下面走一遍从零到解锁个人榜的完整流程，假设目标是「用 100 条投票拿到自己的模型 Elo 得分」。

第 1 步：打开主页，确认当前是图片竞技场。页面随机刷新出一轮对战，顶部给出一条提示词，中间是参考图，两侧是两张生成结果，底部是四个按钮。此时不知道两侧分别是什么模型。

第 2 步：逐项比对。假设提示词要求「一位穿红色外套的女性站在雨夜街头，霓虹灯反射在湿滑地面上」。先看主体：两边是否都出现了红衣女性；再看细节：雨、霓虹、地面反射是否都有；然后找硬伤：手指、脸部、文字招牌有没有崩坏；最后看整体观感。假设左侧在光影和地面反射上更自然，右侧人物姿态略僵，于是点「左边更好」。

第 3 步：记录揭晓结果。提交后页面显示左侧使用的是 Seedream v4.0 模型。把这条记下来：雨夜霓虹类提示词下，该模型表现不错。

第 4 步：重复第 1 至 3 步。每轮都是新的随机提示词与新的模型组合，判断标准保持一致。遇到两边都达标就选「两者都好」，两边都崩就选「两者都差」，不要为了凑数强行二选一。

第 5 步：投满 30 条。此时个人排行榜激活，可以看到基于你这 30 条投票计算出的各模型胜率。先检查一下：有没有哪个模型的胜率高得反常？如果有，回想一下是不是自己在某类提示词上给了它过多权重。

第 6 步：继续投到 100 条。解锁完整的个人榜，此时能看到 Elo 得分。注意这个分数只反映你的投票口径，不是平台全局排名，两者不要混为一谈。

第 7 步：切换到视频竞技场，重复上述流程。视频的判断更慢，可以只投少量样本，重点看运动自然度与时间一致性这两个图片无法覆盖的维度。

第 8 步：去探索区浏览公开作品。看看随机模式下其他人生成了什么，对感兴趣的作品发表评论，再回到竞技场用新的提示词验证自己的判断。

整个流程不需要写任何代码，也不需要配置密钥。真正的成本是时间：100 条投票，每条都要认真比对，图片尚可，视频会明显更慢。

注意事项

投票前看不到模型名，这是设计而非缺陷。揭晓发生在投票之后。如果你在投票前就想知道两边是什么模型，说明你需要的不是竞技场，而是直接去各模型的生成入口做定向对比。

个人榜的分数只代表你自己。30 条解锁胜率、100 条解锁 Elo 得分，这两个数字都基于你的投票历史计算。它适合用来观察自己判断的稳定性，不适合当作模型能力的客观结论引用。

榜单更新有节奏。满 100 条之后，每多投 50 题才自动更新一次个人榜。刚投完的几条不会立刻反映在分数上。

探索区的内容范围有限。它只展示平台随机模式下生成的结果，不覆盖全部生成内容，也不包含你的私人对战记录。看到的内容不代表平台模型能力的全集。

平局选项要认真用。「两者都好」「两者都差」会直接影响 Elo 的计算结果。把接近的对战强行分出胜负，会让个人榜失真。

免费与收费以官网为准。平台当前的开放程度、是否完全免费、未来是否引入付费或额度限制，都可能调整。用于商业创作或需要高级输出时，务必先阅读平台的服务条款与收费说明，不要依据本文或任何二手描述做商业决策。

模型阵容会变。平台覆盖图片生成与视频生成的主要模型，具体包含哪些、版本号是什么，随平台更新而变化。本文不列举版本号，请以官网当前展示为准。

不要把竞技场结果直接当作选型结论。竞技场是单轮、单提示词、主观投票的对比，样本量小。真正选型时，应该用你自己业务里的真实提示词做多轮测试，而不是只看某一轮的胜负。