Grok Imagine Image 2.0 Low বনাম Medium: লেখা আর এডিটের পরীক্ষা

Grok Imagine 2.0 রিভিউ: পোস্টার, প্যাকেজিং, মেনু, পোর্ট্রেট, 3টি ছবির এডিট আর গতিতে Low ও Medium বনাম প্রথম Grok Imagine ও GPT Image 2.6।
xAI 7 আগস্ট Grok Imagine Image 2.0 প্রকাশ করেছে। আনুষ্ঠানিক ঘোষণায় কয়েকটা প্রতিশ্রুতি আছে: এটা প্রম্পট খুঁটিনাটি পর্যন্ত মেনে চলে, ডিজাইনারের মতো লেখা সাজায়, ছোট লেখা পড়ার উপযোগী রাখে, আর এডিট করার সময় আপনি যা দেন তা ধরে রাখে। 15 নভেম্বর থেকে আপনি এটা ZOOOP-এও ব্যবহার করতে পারবেন।
ZOOOP-এ প্রথম প্রজন্মের Grok Imagine আগে থেকেই ছিল, তাই আমি দুটো প্রশ্নের উত্তর চাইছিলাম: Grok Imagine 2.0 আসলে কী ভালো করে, আর Low ও Medium-কে আলাদা টুল হিসেবে দেখা ঠিক কি না। আমি 2.0-এর দুটো কোয়ালিটি স্তর, প্রথম প্রজন্মের মডেল আর GPT Image 2.6-এ একই প্রম্পট পাশাপাশি চালিয়েছি। সংক্ষেপে: লেখায় এবার চারটেই সমান। Grok Imagine Image 2.0 এগিয়ে যায় এমন এডিটে যা আপনার বিষয়বস্তু অটুট রাখে, না-চাওয়া জিনিস যোগ না করায়, আর এমন লেআউটে যা দেখতে তৈরি কাজের বেশি কাছাকাছি।
Grok Imagine Image 2.0 কী, আর প্রথম ভার্সন থেকে এর পার্থক্য কোথায়
Grok Imagine Image 2.0 হলো xAI-এর দ্বিতীয় প্রজন্মের ইমেজ মডেল। ZOOOP-এ এটা প্রথম প্রজন্মের Grok Imagine-এর মতোই কাজ করে: সরাসরি প্রম্পট থেকে তৈরি করুন, বা এডিট বা জোড়া দেওয়ার জন্য সর্বোচ্চ 3টি রেফারেন্স ইমেজ যোগ করুন। সাতটি অ্যাসপেক্ট রেশিও পাবেন, 16:9, 3:2, 4:3, 1:1, 3:4, 2:3 আর 9:16, 1K বা 2K-তে। প্রম্পট বক্সে 8,000 অক্ষর পর্যন্ত ধরে, তাই কপি, হায়ারার্কি আর রং সবই একটা অনুচ্ছেদে এঁটে যায়।
প্রথম ভার্সন থেকে সবচেয়ে স্পষ্ট বদল হলো দুটো কোয়ালিটি স্তর, Low আর Medium, বেছে নেওয়ার নতুন সুযোগ। Low-এর দাম Medium-এর চেয়ে কম, যদিও দুটোই ZOOOP-এর AI ইমেজ জেনারেটর-এর মডেলগুলোর মধ্যে সস্তার দিকে। প্রথম প্রজন্মের মডেল সরানো হয়নি, আর নিচের প্রতিটি তুলনায় সেটা আছে।
আমরা কীভাবে পরীক্ষা করেছি
চারটি প্রম্পট, প্রতিটি চারটি মডেলে একবার করে চলেছে, সবই 1K-তে: Low আর Medium-এ Grok Imagine Image 2.0, প্রথম প্রজন্মের Grok Imagine, আর তুলনার মাপকাঠি হিসেবে Medium-এ GPT Image 2.6। আমি এমন প্রম্পট বেছেছি যা সেই জায়গাগুলো ছুঁয়ে যায় যেখানে xAI বলছে সবচেয়ে বেশি উন্নতি হয়েছে:
- জ্যাজ নাইট পোস্টার, 2:3। শিরোনাম "MIDNIGHT TIDE", নিচে ছোট অক্ষরের একটা লাইন, "Live at Harbor Hall · Friday 21 November · Doors 8 PM", স্ক্রিন-প্রিন্ট স্টাইলে।
- চায়ের কৌটার প্যাকেজিং, 1:1। "CHAMOMILE CALM" লেখা একটা লেবেল, তার নিচে ছোট অক্ষরের একটা লাইন, "Organic herbal infusion · 20 pyramid bags", আর হাতে আঁকা ক্যামোমাইল।
- স্ট্রিট পোর্ট্রেট, 3:4। বৃষ্টিভেজা লিসবন: রুপালি কোঁকড়া চুল আর হলুদ রেইনকোট পরা ষাটের কোঠার এক নারী, একটা ক্যাফের শামিয়ানার নিচে হাসছেন।
- চকবোর্ড মেনু, 4:3। শিরোনাম "TODAY'S BREWS", হাতে লেখা ছয়টি পানীয়, প্রতি লাইনে একটা, প্রতিটির সঙ্গে ছোট একটা আইকন। দাম প্রম্পটের অংশ ছিল না।
আমি আলাদা করে তিনটি ছবি জোড়া দেওয়ার একটা পরীক্ষাও চালিয়েছি, শুধু 2.0 Medium আর প্রথম প্রজন্মের মডেলে।
পোস্টার আর প্যাকেজিং: লেখা কি আসলেই ঠিক?
আগে এমন একটা ফল যা আমি আশা করিনি। চারটি মডেলই শিরোনাম আর ছোট অক্ষর, দুটোরই বানান ঠিক লিখেছে, প্রথম প্রজন্মের মডেলও। তারিখ আর সময়সহ নিচের লাইনটা চারটি পোস্টারেই অক্ষরে অক্ষরে নিখুঁত এসেছে।

বাঁ থেকে ডানে: Grok Imagine Image 2.0 Low, 2.0 Medium, প্রথম প্রজন্মের Grok Imagine, GPT Image 2.6।

ওপর থেকে নিচে: 2.0 Low, 2.0 Medium, প্রথম প্রজন্মের Grok Imagine, GPT Image 2.6।
তাই সত্যি বলতে: এত ছোট কপিতে "আরও নির্ভুল লেখা"-র আপগ্রেড চোখে পড়েনি। ছোট লেখা শার্প, কিন্তু প্রথম প্রজন্মের মডেলই এত লম্বা একটা লাইন আগে থেকে সামলাতে পারত। কঠিন লেআউট, যেমন পুরো এক পাতা নির্দেশনা বা ছোট অক্ষরের কয়েকটা কলাম, এই পরীক্ষার অংশ ছিল না।
পার্থক্যটা লেআউটে। চারটি পোস্টারেই চাঁদ, ঢেউ আর একজন স্যাক্সোফোন বাদকের সিলুয়েট আছে। 2.0 Low ছোট লেখাটাকে ছোট ছোট ঢেউয়ের নকশা দিয়ে ঘিরে দেয়। 2.0 Medium পুরো পোস্টারের চারপাশে একটা সরু রেখা টানে আর ছোট লেখাটা তার ভেতরে গুঁজে দেয়, ফলে এটা এমন এক গিগ পোস্টারের মতো লাগে যা সত্যিই ছাপাখানায় গেছে। প্রথম প্রজন্মের মডেল আর্টওয়ার্কটাকে কমলা ব্যাকগ্রাউন্ডের ওপর একটা ব্লকে ছোট করে ফেলে, আর কম্পোজিশন আরও চ্যাপ্টা হয়ে যায়। GPT Image 2.6-এর গ্রেইন আসল স্ক্রিন প্রিন্টের সবচেয়ে কাছাকাছি লাগে।
চায়ের কৌটায় ফারাক আরও বড়।

বাঁ থেকে ডানে: 2.0 Low, 2.0 Medium, প্রথম প্রজন্মের Grok Imagine, GPT Image 2.6।
Medium-এ Grok Imagine Image 2.0 লেবেলটাকে সরু বর্ডার আর রেখায় আঁকা ক্যামোমাইলসহ একটা অফ-হোয়াইট স্টিকারে বদলে দিয়েছে, আর পুরো কৌটাটা দেখে মনে হয় দোকানের তাক থেকে তুলে নেওয়া যায়। Low শব্দগুলো সরাসরি কৌটার গায়ে ছেপে দেয়। হায়ারার্কি তবুও স্পষ্ট, আর পিচের জন্য এটা যথেষ্ট ভালো। প্রথম প্রজন্মের মডেলের ছোট লেখা জুম করলে একটু ঝাপসা হয়ে যায়, যদিও বানান ঠিক।
মেনু আর পোর্ট্রেট: যেখানে Low আর Medium আলাদা হয়ে যায়
চকবোর্ড মেনুই ছিল একমাত্র জায়গা যেখানে Grok Imagine Image 2.0 Low স্পষ্টভাবে ভুল করেছে।

বাঁয়ে: 2.0 Low। ডানে: 2.0 Medium।
দুটোই ছয়টি পানীয় আর তাদের আইকন ঠিকঠাক দিয়েছে। কিন্তু Low নিজে থেকে প্রতিটি লাইনের শেষে একটা দাম বসিয়ে দিয়েছে, অথচ প্রম্পটে দামের কথা কোথাও ছিল না। কোনো ক্যাফে যদি সত্যিই এই বোর্ড ব্যবহার করত, কাউকে একটা একটা করে সেই সংখ্যাগুলো ঠিক করতে হতো। Medium শুধু যা বলা হয়েছিল তা-ই লিখেছে। একটা পরীক্ষায় প্রমাণ হয় না যে Low সবসময় এমন করে, তবে মনে রাখা ভালো যে Low মাঝে মাঝে না-চাওয়া জিনিস যোগ করে।
পোর্ট্রেটে কোনো ঠিক বা ভুল উত্তর নেই। চারটিই ভালো, আর পার্থক্যটা রুচির।

বাঁ থেকে ডানে: 2.0 Low, 2.0 Medium, প্রথম প্রজন্মের Grok Imagine, GPT Image 2.6।
2.0 Low-এ তিনি সরাসরি ক্যামেরার দিকে তাকিয়ে হাসেন, যা একটু পোজ দেওয়া লাগে। Medium-এ তিনি মাথা হেলিয়ে সহজভাবে হাসেন, যেন কেউ হঠাৎ মুহূর্তটা ধরে ফেলেছে। প্রথম প্রজন্মের মডেল ক্যামেরা পিছিয়ে নেয়, আর রাস্তাটাই ফ্রেমের বেশিরভাগ জুড়ে থাকে। GPT Image 2.6-ও স্বতঃস্ফূর্ত লাগে, আর তাঁর পেছনের ছোট চকবোর্ডে পর্তুগিজে কয়েকটা পেস্ট্রির নাম লেখা, যা লিসবনের একটা চমৎকার ছোঁয়া। চারটির কোনোটিই প্রম্পটে চাওয়া কিছু বাদ দেয়নি।
এডিটিং আর কম্পোজিটিং: তিনটি ছবি জুড়ে একটা
এখানেই Grok Imagine Image 2.0 শেষমেশ প্রথম প্রজন্মকে ছাড়িয়ে যায়। রেফারেন্স ইমেজ ছিল তিনটি: একটা করগির ফোনে তোলা ছবি, ঝুড়িওয়ালা একটা লাল ভিনটেজ সাইকেল, আর সমুদ্রের ধারের রোদেলা একটা গলি। প্রম্পটে চাওয়া হয়েছিল করগিটা সাইকেলের সামনের ঝুড়িতে বসে থাকবে, আর সাইকেলটা সেই গলিতে দাঁড় করানো থাকবে।

ওপরের সারি, তিনটি রেফারেন্স: করগির ছবি, সাইকেল আর সমুদ্রের ধারের গলি। নিচের সারি: বাঁয়ে 2.0 Medium-এর কম্পোজিট, ডানে প্রথম প্রজন্মের কম্পোজিট।
প্রথম দেখায় দুটোই কাজটা করেছে। করগি ঝুড়িতে, সাইকেল আর গলি নিজেদের রেফারেন্সের সঙ্গে মেলে, এমনকি দেয়ালের বাতি আর ফুলের টবও এসেছে। পার্থক্য দেখতে জুম করতে হয়।
একটা হলো কুকুরটা। রেফারেন্স ছবির করগিটা তিনরঙা, চোখের ওপরে আর পিঠ বরাবর কালো লোম। 2.0 Medium সেই কালো দাগগুলো রেখে দিয়েছে। প্রথম প্রজন্মের মডেলের করগি এসেছে বাদামি-সাদা, আর কাছ থেকে দেখলে সেটা আর আপনার কুকুর থাকে না। অন্যটা নিচের বাঁ কোণে, যেখানে প্রথম প্রজন্মের মডেল ছোট একটা লেখার লাইন যোগ করেছে যা দেখতে কোনো ফটোগ্রাফারের নামের মতো। 2.0 তা করেনি। কোথা থেকে হাজির হওয়া একটা ওয়াটারমার্ক মানে পোস্ট করার আগে পরিষ্কার করার আরও একটা কাজ।
এডিট করার সময় মডেল আপনার দেওয়া জিনিস ধরে রাখে, xAI-এর এই দাবি এখানে দেখা যায়। আপনি যদি নিজের পোষ্য, কোনো পোর্ট্রেট বা প্রোডাক্ট শটে AI টুল ইমেজ সম্পাদনা করুন ব্যবহার করেন, তাহলে শিরোনামের বানান ঠিক হলো কি না তার চেয়ে এটা বেশি গুরুত্বপূর্ণ।
গতি: Low আর Medium কত সময় নেয়
এই পরীক্ষায় প্রতিটি ছবিতে কত সময় লেগেছে, সবই 1K-তে:
- 2.0 Low: 14 থেকে 57 সেকেন্ড, বেশিরভাগই 30-এর নিচে
- 2.0 Medium: 68 থেকে 90 সেকেন্ড
- প্রথম প্রজন্মের Grok Imagine: 11 থেকে 14 সেকেন্ড
- GPT Image 2.6 Medium: 26 থেকে 51 সেকেন্ড
Grok Imagine Image 2.0-এর Medium স্পষ্টতই ধীর। প্রতিটি ছবিতে এক মিনিটের বেশি লাগে, যা Medium সেটিংয়ে GPT Image 2.6-এর চেয়েও বেশি। প্রথম প্রজন্মের মডেল সবচেয়ে দ্রুত, আর খুব স্থির। লঞ্চের সময় আমরা 2.0 Low-এ দুটো ছোট পরীক্ষাও করেছিলাম: 1K-তে একটা টেক্সট-টু-ইমেজে লেগেছে 18 সেকেন্ড আর একটা ছবিকে জলরঙে বদলাতে 17, অর্থাৎ এডিট প্রায় শূন্য থেকে তৈরির মতোই দ্রুত চলে।
কখন ব্যবহার করবেন, আর কখন GPT Image 2.6-এ যাবেন
ছবিতে লেখা থাকলে, বা কোনো ছবি এডিট করার সময় যদি না চাই মানুষ বা জিনিস সরে যাক, তাহলে Grok Imagine Image 2.0 আমার ডিফল্ট। দিক খুঁজতে Low দিয়ে শুরু করুন। এটা সস্তা আর দ্রুত, তাই এক দফায় কয়েকটা কম্পোজিশন চালাতে পারবেন। তারপর যে প্রম্পটটা পছন্দ হয় সেটা চূড়ান্ত ছবির জন্য Medium-এ আবার চালান: লেআউট আরও গোছানো লাগে, আর প্রম্পটে নেই এমন জিনিস ঢুকিয়ে দেওয়ার সম্ভাবনা কম। Low থেকে যা-ই বের হোক, লেখাটা মিলিয়ে নিন।
আপনার যদি শুধু ছোট শিরোনামের একটা পোস্টার দরকার হয়, প্রথম প্রজন্মের Grok Imagine-ও সেটা ঠিকঠাক করে, আর এটা অনেক দ্রুত, তাই তাড়া থাকলে এটা ভালো বিকল্প। কিন্তু রেফারেন্স ইমেজ এলেই, বিশেষ করে এমন কম্পোজিটে যেখানে পোষ্য, মুখ বা প্রোডাক্টের খুঁটিনাটি অটুট রাখতে হবে, Grok Imagine 2.0-এ চলে যান।
4K, 3টির বেশি রেফারেন্স ইমেজ, বা লম্বা ও ঘন লেআউটের জন্য GPT Image 2.6-এ যান। Grok Imagine Image 2.0 সর্বোচ্চ 2K পর্যন্ত যায় আর বড়জোর 3টি রেফারেন্স ইমেজ নেয়, আর এগুলো কড়া সীমা।
এই সব মডেলই একই AI ইমেজ জেনারেটর পেজে আছে, তাই অন্য কোথাও না গিয়েই এদের মধ্যে বদল করতে পারবেন। একটা প্রম্পট প্রতিটায় চালিয়ে দেখলে যেকোনো রিভিউয়ের চেয়ে বেশি জানতে পারবেন।
সাধারণ প্রশ্ন
Grok Imagine Image 2.0 Low নাকি Medium: কোনটা ব্যবহার করব?
দিক খোঁজা আর খসড়ার ব্যাচের জন্য Low: এটা সস্তা, আর বেশিরভাগ ছবি আধা মিনিটের মধ্যে চলে আসে। চূড়ান্ত ছবির জন্য Medium: লেআউট বেশি পরিপাটি আর নিজে থেকে কিছু যোগ করার সম্ভাবনা কম, তবে প্রতিটি ছবিতে এক মিনিটের বেশি লাগে।
কতগুলো রেফারেন্স ইমেজ ব্যবহার করা যায়?
সর্বোচ্চ 3টি। কোনো ছবি না দিলে এটা টেক্সট-টু-ইমেজ, একটা ছবি দিলে এডিট হয়ে যায়, আর দুটো বা তিনটে দিয়ে সেগুলো জোড়া দেওয়া যায়।
এটা কি 2K-এর চেয়ে বড় ছবি বানাতে পারে?
না, 2K-ই সর্বোচ্চ। 4K দরকার হলে GPT Image 2.6-এ যান।
এটা কি স্বচ্ছ ব্যাকগ্রাউন্ড বানাতে পারে?
না, এটা স্বচ্ছ ব্যাকগ্রাউন্ড দেয় না। সরাসরি কাটআউট PNG চাইলে এর বদলে Seedream 5.5 ব্যবহার করুন।
ইংরেজি ছাড়া অন্য ভাষায় কি প্রম্পট লেখা যায়?
লেখা যায়। তবে এই পরীক্ষার সব প্রম্পটই ছিল ইংরেজিতে, আর অন্য ভাষায় ফলাফলের তুলনা আমি এখনও করিনি, তাই সেগুলো কতটা ভালো কাজ করে বলতে পারছি না।





