Grok Imagine Image 2.0 Low बनाम Medium: टेक्स्ट और एडिट की परख

अंतर्दृष्टि9 मिनट में पढ़ें
Grok Imagine Image 2.0 Low बनाम Medium: टेक्स्ट और एडिट की परख

Grok Imagine 2.0 रिव्यू: पोस्टर, पैकेजिंग, मेन्यू, पोर्ट्रेट, 3 इमेज वाले एडिट और स्पीड पर Low और Medium बनाम पहला Grok Imagine और GPT Image 2.6।

xAI ने 7 अगस्त को Grok Imagine Image 2.0 जारी किया। आधिकारिक घोषणा कुछ वादे करती है: यह प्रॉम्प्ट को बारीकियों तक मानता है, डिज़ाइनर की तरह अक्षर सजाता है, छोटा टेक्स्ट पढ़ने लायक रखता है, और एडिट करते समय आप जो भी देते हैं उसे बनाए रखता है। 15 नवंबर से आप इसे ZOOOP पर भी इस्तेमाल कर सकते हैं।

ZOOOP पर पहली पीढ़ी का Grok Imagine पहले से था, इसलिए मुझे दो सवालों के जवाब चाहिए थे: Grok Imagine 2.0 असल में क्या बेहतर करता है, और क्या Low और Medium को अलग-अलग टूल मानना ठीक है। मैंने 2.0 के दोनों क्वालिटी स्तरों, पहली पीढ़ी के मॉडल और GPT Image 2.6 पर वही प्रॉम्प्ट साथ-साथ चलाए। छोटे में कहें तो: टेक्स्ट में इस बार चारों बराबर रहे। Grok Imagine Image 2.0 आगे निकलता है ऐसे एडिट में जो आपके सब्जेक्ट को जस का तस रखते हैं, बिना माँगी चीज़ें न जोड़ने में, और ऐसे लेआउट में जो तैयार काम के ज़्यादा क़रीब दिखते हैं।

Grok Imagine Image 2.0 क्या है, और पहले वर्ज़न से कैसे अलग है

Grok Imagine Image 2.0 xAI का दूसरी पीढ़ी का इमेज मॉडल है। ZOOOP पर यह पहली पीढ़ी के Grok Imagine की तरह ही काम करता है: सीधे प्रॉम्प्ट से बनाएँ, या एडिट करने या मिलाने के लिए 3 तक रेफ़रेंस इमेज जोड़ें। सात आस्पेक्ट रेशियो मिलते हैं, 16:9, 3:2, 4:3, 1:1, 3:4, 2:3 और 9:16, 1K या 2K पर। प्रॉम्प्ट बॉक्स में 8,000 कैरेक्टर तक आ जाते हैं, इसलिए कॉपी, हायरार्की और रंग सब एक पैराग्राफ़ में समा जाते हैं।

पहले वर्ज़न से सबसे साफ़ बदलाव है दो क्वालिटी स्तरों, Low और Medium, का नया विकल्प। Low की कीमत Medium से कम है, हालाँकि दोनों ZOOOP के AI छवि जेनरेटर के मॉडलों में सस्ते छोर पर हैं। पहली पीढ़ी का मॉडल हटाया नहीं गया है, और नीचे की हर तुलना में वह मौजूद है।

हमने कैसे परखा

चार प्रॉम्प्ट, हर एक चार मॉडलों पर एक बार चला, सब 1K पर: Low और Medium पर Grok Imagine Image 2.0, पहली पीढ़ी का Grok Imagine, और तुलना के आधार के तौर पर Medium पर GPT Image 2.6। मैंने ऐसे प्रॉम्प्ट चुने जो उन क्षेत्रों पर निशाना साधते हैं जिनमें xAI के मुताबिक़ सबसे ज़्यादा सुधार हुआ है:

  1. जैज़ नाइट पोस्टर, 2:3। हेडलाइन "MIDNIGHT TIDE", नीचे छोटे अक्षरों की एक पंक्ति, "Live at Harbor Hall · Friday 21 November · Doors 8 PM", स्क्रीन-प्रिंट स्टाइल में।
  2. चाय के डिब्बे की पैकेजिंग, 1:1। "CHAMOMILE CALM" लिखा लेबल, उसके नीचे छोटे अक्षरों की एक पंक्ति, "Organic herbal infusion · 20 pyramid bags", और हाथ से बने कैमोमाइल के फूल।
  3. स्ट्रीट पोर्ट्रेट, 3:4। बारिश में लिस्बन: चाँदी जैसे घुंघराले बालों और पीले रेनकोट वाली साठ पार की एक महिला, कैफ़े के शेड के नीचे हँसती हुई।
  4. चॉकबोर्ड मेन्यू, 4:3। हेडिंग "TODAY'S BREWS", छह ड्रिंक्स हाथ से लिखी हुईं, हर पंक्ति में एक, और हर एक के साथ छोटा आइकन। कीमतें प्रॉम्प्ट का हिस्सा नहीं थीं।

मैंने अलग से तीन इमेज मिलाने वाला एक टेस्ट भी चलाया, सिर्फ़ 2.0 Medium और पहली पीढ़ी के मॉडल पर।

पोस्टर और पैकेजिंग: क्या टेक्स्ट सच में सही है?

पहले एक ऐसा नतीजा जिसकी मुझे उम्मीद नहीं थी। चारों मॉडल ने हेडलाइन और छोटे अक्षर, दोनों की स्पेलिंग सही रखी, पहली पीढ़ी के मॉडल ने भी। तारीख़ और समय वाली नीचे की पंक्ति चारों पोस्टर पर अक्षरशः सही आई।

जैज़ नाइट पोस्टर, चार मॉडलों पर एक ही प्रॉम्प्ट

बाएँ से दाएँ: Grok Imagine Image 2.0 Low, 2.0 Medium, पहली पीढ़ी का Grok Imagine, GPT Image 2.6।

हर पोस्टर के नीचे के छोटे अक्षरों का क्लोज़-अप

ऊपर से नीचे: 2.0 Low, 2.0 Medium, पहली पीढ़ी का Grok Imagine, GPT Image 2.6।

तो ईमानदारी से कहूँ: इतनी छोटी कॉपी के साथ "ज़्यादा सटीक टेक्स्ट" वाला अपग्रेड नहीं दिखा। छोटा टेक्स्ट शार्प है, लेकिन पहली पीढ़ी का मॉडल इतनी लंबी पंक्ति पहले से संभाल लेता था। कठिन लेआउट, जैसे निर्देशों से भरा पूरा पेज या बारीक अक्षरों के कई कॉलम, इस टेस्ट का हिस्सा नहीं थे।

फ़र्क़ लेआउट में है। चारों पोस्टर में चाँद, लहरें और सैक्सोफ़ोन वादक का सिल्हूट है। 2.0 Low छोटे अक्षरों को लहरों की छोटी सजावट से घेरता है। 2.0 Medium पूरे पोस्टर के चारों ओर एक पतली रेखा खींचता है और छोटे अक्षरों को उसके भीतर रखता है, जिससे यह ऐसे गिग पोस्टर जैसा दिखता है जो सच में प्रिंटर तक गया हो। पहली पीढ़ी का मॉडल आर्टवर्क को नारंगी बैकग्राउंड पर एक ब्लॉक में छोटा कर देता है, और कंपोज़िशन सपाट हो जाता है। GPT Image 2.6 में वह ग्रेन है जो असली स्क्रीन प्रिंट जैसा सबसे ज़्यादा लगता है।

चाय के डिब्बे में फ़र्क़ और बड़ा है।

चाय के डिब्बे की पैकेजिंग, चार मॉडलों पर एक ही प्रॉम्प्ट

बाएँ से दाएँ: 2.0 Low, 2.0 Medium, पहली पीढ़ी का Grok Imagine, GPT Image 2.6।

Medium पर Grok Imagine Image 2.0 ने लेबल को पतले बॉर्डर और रेखाओं से बने कैमोमाइल वाले ऑफ़-व्हाइट स्टिकर में बदल दिया, और पूरा डिब्बा ऐसा लगता है जैसे दुकान के शेल्फ़ से उठाया जा सके। Low शब्दों को सीधे डिब्बे पर छाप देता है। हायरार्की फिर भी साफ़ है, और पिच के लिए यह काफ़ी है। पहली पीढ़ी के मॉडल के छोटे अक्षर ज़ूम करने पर थोड़े धुंधले हो जाते हैं, हालाँकि स्पेलिंग सही है।

मेन्यू और पोर्ट्रेट: जहाँ Low और Medium की राहें अलग होती हैं

चॉकबोर्ड मेन्यू इकलौता मौक़ा था जब Grok Imagine Image 2.0 Low ने साफ़ तौर पर कुछ ग़लत किया।

चॉकबोर्ड मेन्यू, दोनों क्वालिटी स्तरों पर एक ही प्रॉम्प्ट

बाएँ: 2.0 Low। दाएँ: 2.0 Medium।

दोनों ने छहों ड्रिंक्स और उनके आइकन बनाए। लेकिन Low ने अपने-आप हर पंक्ति के आख़िर में एक कीमत जोड़ दी, जबकि प्रॉम्प्ट में कीमतों का कोई ज़िक्र नहीं था। अगर कोई कैफ़े सच में यह बोर्ड इस्तेमाल करता, तो किसी को वे संख्याएँ एक-एक करके ठीक करनी पड़तीं। Medium ने सिर्फ़ वही लिखा जो कहा गया था। एक टेस्ट से यह साबित नहीं होता कि Low हमेशा ऐसा करता है, लेकिन यह याद रखने लायक है कि Low कभी-कभी बिना माँगी चीज़ें जोड़ देता है।

पोर्ट्रेट में कोई सही या ग़लत जवाब नहीं है। चारों अच्छे हैं, और फ़र्क़ पसंद-नापसंद का है।

स्ट्रीट पोर्ट्रेट, चार मॉडलों पर एक ही प्रॉम्प्ट

बाएँ से दाएँ: 2.0 Low, 2.0 Medium, पहली पीढ़ी का Grok Imagine, GPT Image 2.6।

2.0 Low में वह सीधे कैमरे में देखकर हँसती है, जो थोड़ा पोज़ किया हुआ लगता है। Medium में वह सिर झुकाकर सहजता से हँसती है, जैसे किसी ने बस वह पल पकड़ लिया हो। पहली पीढ़ी का मॉडल कैमरा पीछे ले जाता है, और फ़्रेम का ज़्यादातर हिस्सा सड़क भर देती है। GPT Image 2.6 भी स्वाभाविक लगता है, और उसके पीछे के छोटे चॉकबोर्ड पर पुर्तगाली में कुछ पेस्ट्री के नाम लिखे हैं, जो लिस्बन का एक अच्छा स्पर्श है। चारों में से किसी ने भी प्रॉम्प्ट में माँगी कोई चीज़ नहीं छोड़ी।

एडिटिंग और कंपोज़िटिंग: तीन इमेज मिलाकर एक

यहीं Grok Imagine Image 2.0 आख़िरकार पहली पीढ़ी से आगे निकलता है। तीन रेफ़रेंस इमेज थीं: एक कॉर्गी की फ़ोन फ़ोटो, टोकरी वाली एक लाल विंटेज साइकिल, और समुद्र किनारे की एक धूप भरी गली। प्रॉम्प्ट में माँगा गया कि कॉर्गी साइकिल की आगे वाली टोकरी में बैठा हो, और साइकिल उसी गली में खड़ी हो।

तीन रेफ़रेंस इमेज और हर मॉडल का कंपोज़िट

ऊपर की पंक्ति, तीनों रेफ़रेंस: कॉर्गी की फ़ोटो, साइकिल और समुद्र किनारे की गली। नीचे की पंक्ति: बाईं ओर 2.0 Medium का कंपोज़िट, दाईं ओर पहली पीढ़ी का कंपोज़िट।

पहली नज़र में दोनों ने काम कर दिया। कॉर्गी टोकरी में है, साइकिल और गली अपने रेफ़रेंस से मेल खाती हैं, और दीवार का लैंप और गमले तक आ गए। फ़र्क़ देखने के लिए ज़ूम करना पड़ता है।

एक फ़र्क़ कुत्ते में है। रेफ़रेंस फ़ोटो का कॉर्गी तिरंगा है, आँखों के ऊपर और पीठ पर काले रोएँ के साथ। 2.0 Medium ने वे काले निशान बनाए रखे। पहली पीढ़ी के मॉडल का कॉर्गी भूरा और सफ़ेद निकला, और पास से देखने पर वह आपका कुत्ता नहीं रह जाता। दूसरा फ़र्क़ नीचे बाएँ कोने में है, जहाँ पहली पीढ़ी के मॉडल ने छोटे टेक्स्ट की एक पंक्ति जोड़ दी जो किसी फ़ोटोग्राफ़र के नाम जैसी दिखती है। 2.0 ने ऐसा नहीं किया। कहीं से भी अचानक आ गया वॉटरमार्क पोस्ट करने से पहले साफ़ करने के लिए एक और काम है।

xAI का यह दावा कि मॉडल एडिट करते समय आपकी दी हुई चीज़ें बनाए रखता है, यहाँ दिखता है। अगर आप अपने पालतू जानवर, किसी पोर्ट्रेट या प्रोडक्ट शॉट पर AI टूल छवि संपादित करें इस्तेमाल कर रहे हैं, तो यह इस बात से ज़्यादा मायने रखता है कि हेडलाइन की स्पेलिंग सही है या नहीं।

स्पीड: Low और Medium में कितना समय लगता है

इस टेस्ट में हर इमेज को इतना समय लगा, सब 1K पर:

  • 2.0 Low: 14 से 57 सेकंड, ज़्यादातर 30 से कम
  • 2.0 Medium: 68 से 90 सेकंड
  • पहली पीढ़ी का Grok Imagine: 11 से 14 सेकंड
  • GPT Image 2.6 Medium: 26 से 51 सेकंड

Grok Imagine Image 2.0 पर Medium साफ़ तौर पर धीमा है। हर इमेज में एक मिनट से ज़्यादा लगता है, जो Medium सेटिंग पर GPT Image 2.6 से भी ज़्यादा है। पहली पीढ़ी का मॉडल सबसे तेज़ है, और बहुत स्थिर भी। लॉन्च के समय हमने 2.0 Low पर दो छोटे टेस्ट भी किए: 1K पर टेक्स्ट-टू-इमेज में 18 सेकंड लगे और एक फ़ोटो को वॉटरकलर में बदलने में 17, यानी एडिट लगभग उतनी ही तेज़ी से चलते हैं जितना शुरू से बनाना।

कब इस्तेमाल करें, और कब GPT Image 2.6 पर जाएँ

अगर इमेज पर टेक्स्ट है, या मैं कोई फ़ोटो एडिट कर रहा हूँ और नहीं चाहता कि लोग या चीज़ें बदल जाएँ, तो Grok Imagine Image 2.0 मेरा डिफ़ॉल्ट है। दिशाएँ आज़माने के लिए Low से शुरू करें। यह सस्ता और तेज़ है, इसलिए एक बार में कई कंपोज़िशन चला सकते हैं। फिर जो प्रॉम्प्ट पसंद आए उसे फ़ाइनल के लिए Medium पर दोबारा चलाएँ: लेआउट ज़्यादा तैयार दिखता है, और प्रॉम्प्ट में न लिखी चीज़ें चुपके से जोड़ देने की संभावना कम रहती है। Low से जो भी निकले, उसका टेक्स्ट ज़रूर जाँच लें।

अगर आपको बस छोटी हेडलाइन वाला पोस्टर चाहिए, तो पहली पीढ़ी का Grok Imagine भी उसे सही बना देता है, और वह कहीं ज़्यादा तेज़ है, इसलिए जल्दी में वह अच्छा विकल्प है। लेकिन जैसे ही रेफ़रेंस इमेज शामिल हों, ख़ासकर ऐसे कंपोज़िट जिनमें पालतू जानवर, चेहरा या प्रोडक्ट की बारीकियाँ जस की तस आनी हों, Grok Imagine 2.0 पर जाएँ।

4K, 3 से ज़्यादा रेफ़रेंस इमेज, या लंबे और घने लेआउट के लिए GPT Image 2.6 पर जाएँ। Grok Imagine Image 2.0 अधिकतम 2K तक जाता है और ज़्यादा से ज़्यादा 3 रेफ़रेंस इमेज लेता है, और ये पक्की सीमाएँ हैं।

ये सभी मॉडल उसी AI छवि जेनरेटर पेज पर हैं, इसलिए आप कहीं और जाए बिना उनके बीच स्विच कर सकते हैं। एक ही प्रॉम्प्ट हर मॉडल पर चलाकर देखना किसी भी रिव्यू से ज़्यादा बताएगा।

अक्सर पूछे जाने वाले सवाल

Grok Imagine Image 2.0 Low या Medium: कौन-सा इस्तेमाल करूँ?

दिशाएँ आज़माने और ड्राफ़्ट के बैच के लिए Low: यह सस्ता है, और ज़्यादातर इमेज आधे मिनट में आ जाती हैं। फ़ाइनल इमेज के लिए Medium: लेआउट ज़्यादा निखरे होते हैं और अपने-आप चीज़ें जोड़ने की संभावना कम है, लेकिन हर इमेज में एक मिनट से ज़्यादा लगता है।

मैं कितनी रेफ़रेंस इमेज इस्तेमाल कर सकता हूँ?

अधिकतम 3। बिना इमेज के यह टेक्स्ट-टू-इमेज है, एक इमेज देने पर एडिट बन जाता है, और दो या तीन से आप उन्हें मिला सकते हैं।

क्या यह 2K से बड़ी इमेज बना सकता है?

नहीं, 2K अधिकतम है। 4K चाहिए तो GPT Image 2.6 पर जाएँ।

क्या यह ट्रांसपेरेंट बैकग्राउंड बना सकता है?

नहीं, यह ट्रांसपेरेंट बैकग्राउंड नहीं देता। अगर आपको सीधे कटआउट PNG चाहिए, तो इसकी जगह Seedream 5.5 इस्तेमाल करें।

क्या मैं अंग्रेज़ी के अलावा दूसरी भाषाओं में प्रॉम्प्ट लिख सकता हूँ?

लिख सकते हैं। लेकिन इस टेस्ट के सभी प्रॉम्प्ट अंग्रेज़ी में थे, और मैंने अभी दूसरी भाषाओं में नतीजों की तुलना नहीं की है, इसलिए नहीं कह सकता कि वे कितने अच्छे चलते हैं।

शेयर

और देखें

सभी देखें