Grok Imagine Image 2.0 Low vs Medium: texto e edições à prova

Perspectivas8 min de leitura
Grok Imagine Image 2.0 Low vs Medium: texto e edições à prova

Grok Imagine 2.0 testado: Low e Medium contra o primeiro Grok Imagine e o GPT Image 2.6 em pôsteres, embalagens, cardápios, retratos, edição e velocidade.

A xAI lançou o Grok Imagine Image 2.0 em 7 de agosto. O anúncio oficial faz algumas promessas: segue os prompts até nos detalhes, compõe a tipografia como um designer, mantém o texto pequeno legível e preserva o que você entrega quando edita. Desde 15 de novembro, você também pode usá-lo na ZOOOP.

A ZOOOP já tinha o Grok Imagine de primeira geração, então eu queria responder a duas perguntas: o que o Grok Imagine 2.0 realmente faz melhor e se vale a pena tratar Low e Medium como ferramentas separadas. Rodei os mesmos prompts nos dois níveis de qualidade do 2.0, no modelo de primeira geração e no GPT Image 2.6, lado a lado. Resumindo: no texto, os quatro empataram desta vez. Onde o Grok Imagine Image 2.0 sai na frente é em edições que mantêm o seu objeto intacto, em não acrescentar coisas que você não pediu e em layouts com mais cara de peça finalizada.

O que é o Grok Imagine Image 2.0 e como ele difere da primeira versão

O Grok Imagine Image 2.0 é o modelo de imagem de segunda geração da xAI. Na ZOOOP, ele funciona do mesmo jeito que o Grok Imagine de primeira geração: gere direto a partir de um prompt ou adicione até 3 imagens de referência para editá-las ou combiná-las. São sete proporções, 16:9, 3:2, 4:3, 1:1, 3:4, 2:3 e 9:16, em 1K ou 2K. A caixa de prompt aceita até 8.000 caracteres, então o texto, a hierarquia e as cores cabem num único parágrafo.

A mudança mais óbvia em relação à primeira versão é a nova escolha entre dois níveis de qualidade, Low e Medium. O Low custa menos que o Medium, mas os dois ficam na faixa mais barata entre os modelos do Gerador de Imagem com IA da ZOOOP. O modelo de primeira geração não foi aposentado e aparece em todas as comparações abaixo.

Como testamos

Quatro prompts, cada um rodado uma vez em quatro modelos, todos em 1K: Grok Imagine Image 2.0 em Low e em Medium, o Grok Imagine de primeira geração e o GPT Image 2.6 em Medium como ponto de referência. Escolhi prompts que tocam nas áreas em que a xAI diz ter melhorado mais:

  1. Pôster de noite de jazz, 2:3. O título "MIDNIGHT TIDE", uma única linha de letra miúda embaixo, "Live at Harbor Hall · Friday 21 November · Doors 8 PM", em estilo serigrafia.
  2. Embalagem de lata de chá, 1:1. Um rótulo escrito "CHAMOMILE CALM", com uma linha de letra miúda embaixo, "Organic herbal infusion · 20 pyramid bags", e camomila desenhada à mão.
  3. Retrato de rua, 3:4. Lisboa na chuva: uma mulher de uns sessenta anos com cachos prateados e capa de chuva amarela, rindo sob o toldo de um café.
  4. Cardápio em lousa, 4:3. O título "TODAY'S BREWS", seis bebidas escritas à mão, uma por linha, cada uma com um pequeno ícone. Preços não faziam parte do prompt.

Também fiz à parte uma composição de três imagens, só no 2.0 Medium e no modelo de primeira geração.

Pôsteres e embalagens: o texto sai mesmo certo?

Primeiro, um resultado que eu não esperava. Os quatro modelos escreveram certo tanto o título quanto a letra miúda, inclusive o de primeira geração. A linha de baixo com data e horário saiu perfeita, letra por letra, nos quatro pôsteres.

Pôster de noite de jazz, o mesmo prompt em quatro modelos

Da esquerda para a direita: Grok Imagine Image 2.0 Low, 2.0 Medium, Grok Imagine de primeira geração, GPT Image 2.6.

Close da letra miúda na parte de baixo de cada pôster

De cima para baixo: 2.0 Low, 2.0 Medium, Grok Imagine de primeira geração, GPT Image 2.6.

Então, sendo honesto: com um texto tão curto, a melhoria de "texto mais preciso" não apareceu. A letra miúda está nítida, mas o modelo de primeira geração já dava conta de uma linha desse tamanho. Layouts mais difíceis, como uma página inteira de instruções ou várias colunas de letra miúda, não fizeram parte deste teste.

A diferença está no layout. Os quatro pôsteres têm uma lua, ondas e um saxofonista em silhueta. O 2.0 Low emoldura a letra miúda com pequenos ornamentos de ondas. O 2.0 Medium passa um fio fino em volta de todo o pôster e encaixa a letra miúda dentro dele, então parece o cartaz de um show que de fato foi para a gráfica. O modelo de primeira geração encolhe a arte num bloco sobre fundo laranja, e a composição fica mais chapada. O GPT Image 2.6 tem a textura granulada que mais lembra uma serigrafia de verdade.

A lata de chá mostra uma diferença maior.

Embalagem de lata de chá, o mesmo prompt em quatro modelos

Da esquerda para a direita: 2.0 Low, 2.0 Medium, Grok Imagine de primeira geração, GPT Image 2.6.

No Medium, o Grok Imagine Image 2.0 transformou o rótulo num adesivo off-white com uma borda fina e camomila em traço, e a lata inteira parece algo que você pegaria numa prateleira. O Low imprime as palavras direto na lata. A hierarquia continua clara, e serve para uma apresentação. A letra miúda do modelo de primeira geração fica um pouco borrada quando você dá zoom, embora a grafia esteja certa.

Cardápio e retrato: onde Low e Medium se separam

O cardápio em lousa foi a única vez em que o Grok Imagine Image 2.0 Low claramente errou.

Cardápio em lousa, o mesmo prompt nos dois níveis de qualidade

Esquerda: 2.0 Low. Direita: 2.0 Medium.

Os dois acertaram as seis bebidas e os ícones. Mas o Low acrescentou por conta própria um preço no fim de cada linha, mesmo o prompt nunca tendo falado de preços. Se um café usasse essa lousa de verdade, alguém teria que corrigir esses números um por um. O Medium escreveu só o que foi pedido. Um teste não prova que o Low sempre faz isso, mas vale lembrar que o Low às vezes acrescenta coisas que ninguém pediu.

O retrato não tem resposta certa ou errada. Os quatro são bons, e as diferenças são questão de gosto.

Retrato de rua, o mesmo prompt em quatro modelos

Da esquerda para a direita: 2.0 Low, 2.0 Medium, Grok Imagine de primeira geração, GPT Image 2.6.

No 2.0 Low ela ri olhando direto para a câmera, o que parece um pouco posado. No Medium ela inclina a cabeça e ri à vontade, como um momento que alguém por acaso capturou. O modelo de primeira geração abre o enquadramento, e a rua ocupa a maior parte do quadro. O GPT Image 2.6 também parece espontâneo, e a pequena lousa atrás dela lista alguns doces em português, um belo toque de Lisboa. Nenhum dos quatro deixou de fora nada do que o prompt pedia.

Edição e composição: três imagens em uma

É aqui que o Grok Imagine Image 2.0 finalmente se distancia da primeira geração. Eram três imagens de referência: uma foto de celular de um corgi, uma bicicleta vermelha vintage com cesta e uma ruela ensolarada à beira-mar. O prompt pedia o corgi sentado na cesta dianteira da bicicleta, com a bicicleta estacionada naquela ruela.

As três imagens de referência e a composição de cada modelo

Linha de cima, as três referências: a foto do corgi, a bicicleta e a ruela à beira-mar. Linha de baixo: a composição do 2.0 Medium à esquerda e a da primeira geração à direita.

À primeira vista, os dois cumpriram a tarefa. O corgi está na cesta, a bicicleta e a ruela batem com as referências, e até a luminária de parede e os vasos de flores aparecem. É preciso dar zoom para ver a diferença.

Uma é o cachorro. O corgi da foto de referência é tricolor, com pelo preto acima dos olhos e ao longo do dorso. O 2.0 Medium manteve essas marcas pretas. O corgi do modelo de primeira geração saiu caramelo e branco, e de perto já não é o seu cachorro. A outra está no canto inferior esquerdo, onde o modelo de primeira geração acrescentou uma pequena linha de texto que parece o crédito de um fotógrafo. O 2.0 não fez isso. Uma marca d'água que aparece do nada é mais uma coisa para limpar antes de postar.

A promessa da xAI de que o modelo preserva o que você entrega na edição aparece aqui. Se você usa o Editar Imagem com o seu próprio pet, um retrato ou uma foto de produto, isso importa mais do que um título estar escrito certo.

Velocidade: quanto tempo Low e Medium levam

Aqui está quanto tempo cada imagem levou neste teste, todas em 1K:

  • 2.0 Low: de 14 a 57 segundos, na maioria abaixo de 30
  • 2.0 Medium: de 68 a 90 segundos
  • Grok Imagine de primeira geração: de 11 a 14 segundos
  • GPT Image 2.6 Medium: de 26 a 51 segundos

O Medium do Grok Imagine Image 2.0 é claramente lento. Cada imagem leva mais de um minuto, mais que o GPT Image 2.6 na configuração Medium. O modelo de primeira geração é o mais rápido, e bem estável. No lançamento também fizemos dois testes rápidos no 2.0 Low: um texto para imagem em 1K levou 18 segundos e transformar uma foto em aquarela levou 17, então as edições rodam mais ou menos tão rápido quanto gerar do zero.

Quando usar e quando trocar pelo GPT Image 2.6

Se uma imagem tem texto, ou se estou editando uma foto e não quero que pessoas ou objetos mudem, o Grok Imagine Image 2.0 é minha escolha padrão. Comece no Low para testar direções. É mais barato e rápido, então você pode rodar várias composições de uma vez. Depois rode de novo no Medium o prompt de que você gostou para a versão final: o layout parece mais acabado, e é menos provável que ele enfie coisas que o prompt nunca mencionou. O que quer que saia do Low, revise o texto.

Se você só precisa de um pôster com um título curto, o Grok Imagine de primeira geração também acerta, e é muito mais rápido, então é uma boa escolha quando você está com pressa. Mas assim que entram imagens de referência, principalmente em composições em que um pet, um rosto ou os detalhes de um produto precisam chegar intactos, troque para o Grok Imagine 2.0.

Para 4K, mais de 3 imagens de referência ou um layout longo e denso, troque para o GPT Image 2.6. O Grok Imagine Image 2.0 vai no máximo até 2K e aceita no máximo 3 imagens de referência, e esses são limites fixos.

Todos esses modelos ficam na mesma página do Gerador de Imagem com IA, então você pode alternar entre eles sem ir a lugar nenhum. Rodar um mesmo prompt em cada um vai dizer mais do que qualquer review.

Perguntas frequentes

Grok Imagine Image 2.0 Low ou Medium: qual devo usar?

Low para testar direções e lotes de rascunhos: é mais barato, e a maioria das imagens fica pronta em menos de meio minuto. Medium para a imagem final: os layouts são mais caprichados e ele tende menos a acrescentar coisas por conta própria, mas cada imagem leva mais de um minuto.

Quantas imagens de referência posso usar?

Até 3. Sem imagem é texto para imagem, com uma imagem vira uma edição, e com duas ou três você pode combiná-las.

Ele gera imagens maiores que 2K?

Não, 2K é o máximo. Se você precisa de 4K, troque para o GPT Image 2.6.

Ele gera fundos transparentes?

Não, ele não gera fundo transparente. Se você quer um PNG recortado direto, use o Seedream 5.5.

Posso escrever prompts em outros idiomas além do inglês?

Pode digitar. Mas todos os prompts deste teste estavam em inglês, e eu ainda não comparei os resultados em outros idiomas, então não sei dizer se funcionam bem.

Compartilhar

Descubra mais

Ver tudo