Grok Imagine Image 2.0 Low против Medium: тест текста и правок

Аналитика7 мин чтения
Grok Imagine Image 2.0 Low против Medium: тест текста и правок

Обзор Grok Imagine 2.0: Low и Medium против первой Grok Imagine и GPT Image 2.6 на постерах, упаковке, меню, портретах, правках по 3 фото и скорости.

7 августа xAI выпустила Grok Imagine Image 2.0. В официальном анонсе несколько обещаний: модель следует промпту до мелочей, набирает текст как дизайнер, сохраняет читаемость мелкого шрифта и при редактировании держится за всё, что вы ей даёте. С 15 ноября ею можно пользоваться и на ZOOOP.

На ZOOOP уже была Grok Imagine первого поколения, поэтому я хотел ответить на два вопроса: что Grok Imagine 2.0 на самом деле делает лучше и стоит ли считать Low и Medium разными инструментами. Я прогнал одни и те же промпты бок о бок через оба уровня качества 2.0, модель первого поколения и GPT Image 2.6. Коротко: по тексту все четыре на этот раз сыграли вничью. Grok Imagine Image 2.0 вырывается вперёд в правках, которые оставляют ваш объект нетронутым, в том, что не добавляет того, о чём вы не просили, и в макетах, которые выглядят ближе к готовой работе.

Что такое Grok Imagine Image 2.0 и чем она отличается от первой версии

Grok Imagine Image 2.0 — модель изображений второго поколения от xAI. На ZOOOP она работает так же, как Grok Imagine первого поколения: генерирует прямо по промпту или принимает до 3 референсных изображений, чтобы отредактировать или объединить их. Доступно семь соотношений сторон — 16:9, 3:2, 4:3, 1:1, 3:4, 2:3 и 9:16 — в 1K или 2K. Поле промпта вмещает до 8 000 символов, так что текст, иерархия и цвета помещаются в один абзац.

Самое заметное изменение по сравнению с первой версией — новый выбор из двух уровней качества, Low и Medium. Low дешевле Medium, хотя оба находятся в недорогой части моделей в разделе Генератор изображений на ZOOOP. Модель первого поколения никуда не делась, и она есть в каждом сравнении ниже.

Как мы тестировали

Четыре промпта, каждый запущен один раз на четырёх моделях, все в 1K: Grok Imagine Image 2.0 на Low и на Medium, Grok Imagine первого поколения и GPT Image 2.6 на Medium как точка отсчёта. Я подбирал промпты под те области, где, по словам xAI, улучшения больше всего:

  1. Постер джазового вечера, 2:3. Заголовок «MIDNIGHT TIDE», одна строка мелкого шрифта внизу, «Live at Harbor Hall · Friday 21 November · Doors 8 PM», в стиле шелкографии.
  2. Упаковка чая в жестяной банке, 1:1. Этикетка с надписью «CHAMOMILE CALM», под ней строка мелкого шрифта «Organic herbal infusion · 20 pyramid bags» и нарисованная от руки ромашка.
  3. Уличный портрет, 3:4. Дождливый Лиссабон: женщина лет шестидесяти с серебристыми кудрями, в жёлтом дождевике, смеётся под навесом кафе.
  4. Меню на грифельной доске, 4:3. Заголовок «TODAY'S BREWS», шесть напитков от руки, по одному на строку, у каждого маленькая иконка. Цен в промпте не было.

Отдельно я сделал композит из трёх изображений, только на 2.0 Medium и модели первого поколения.

Постеры и упаковка: текст действительно верный?

Сначала результат, которого я не ожидал. Все четыре модели правильно написали и заголовок, и мелкий шрифт, включая модель первого поколения. Нижняя строка с датой и временем вышла без единой ошибки на всех четырёх постерах.

Постер джазового вечера, один промпт на четырёх моделях

Слева направо: Grok Imagine Image 2.0 Low, 2.0 Medium, Grok Imagine первого поколения, GPT Image 2.6.

Крупный план мелкого шрифта внизу каждого постера

Сверху вниз: 2.0 Low, 2.0 Medium, Grok Imagine первого поколения, GPT Image 2.6.

Так что, честно говоря: с таким коротким текстом обещанное улучшение «более точного текста» себя не проявило. Мелкий шрифт чёткий, но модель первого поколения и так справлялась со строкой такой длины. Более сложные макеты, вроде целой страницы инструкций или нескольких колонок мелкого шрифта, в этот тест не входили.

Разница — в компоновке. На всех четырёх постерах есть луна, волны и силуэт саксофониста. 2.0 Low обрамляет мелкий шрифт маленькими орнаментами-волнами. 2.0 Medium пускает тонкую рамку вокруг всего постера и прячет мелкий шрифт внутрь неё, так что он выглядит как афиша концерта, которая действительно побывала в типографии. Модель первого поколения сжимает иллюстрацию в блок на оранжевом фоне, и композиция становится площе. У GPT Image 2.6 зерно, больше всего похожее на настоящую шелкографию.

С жестяной банкой разрыв больше.

Упаковка чая в жестяной банке, один промпт на четырёх моделях

Слева направо: 2.0 Low, 2.0 Medium, Grok Imagine первого поколения, GPT Image 2.6.

Grok Imagine Image 2.0 на Medium превратила этикетку в наклейку молочного цвета с тонкой рамкой и контурной ромашкой, и вся банка выглядит как товар, который можно снять с полки. Low печатает слова прямо на банке. Иерархия всё равно понятна, и для презентации идеи этого хватит. У модели первого поколения мелкий шрифт при увеличении немного расплывается, хотя написан он верно.

Меню и портрет: где Low и Medium расходятся

Меню на грифельной доске — единственный случай, когда Grok Imagine Image 2.0 Low явно сделала что-то не так.

Меню на грифельной доске, один промпт на обоих уровнях качества

Слева: 2.0 Low. Справа: 2.0 Medium.

Обе выдали все шесть напитков и их иконки. Но Low сама добавила цену в конец каждой строки, хотя в промпте цены не упоминались. Если бы кафе и правда повесило эту доску, кому-то пришлось бы исправлять эти цифры одну за другой. Medium написала только то, о чём её просили. Один тест не доказывает, что Low всегда так делает, но стоит помнить: Low иногда добавляет то, о чём никто не просил.

У портрета нет правильного или неправильного ответа. Все четыре хороши, а различия — дело вкуса.

Уличный портрет, один промпт на четырёх моделях

Слева направо: 2.0 Low, 2.0 Medium, Grok Imagine первого поколения, GPT Image 2.6.

На 2.0 Low она смеётся прямо в камеру, и это выглядит немного постановочно. На Medium она наклоняет голову и смеётся легко, будто кто-то случайно поймал момент. Модель первого поколения отходит назад, и большую часть кадра занимает улица. У GPT Image 2.6 тоже ощущение живого момента, а на маленькой грифельной доске за ней по-португальски перечислено несколько пирожных — приятная лиссабонская деталь. Ни одна из четырёх не упустила ничего из того, что просил промпт.

Редактирование и композитинг: три изображения в одно

Вот где Grok Imagine Image 2.0 наконец отрывается от первого поколения. Референсных изображений было три: снимок корги на телефон, красный винтажный велосипед с корзиной и солнечная улочка у моря. Промпт просил, чтобы корги сидел в передней корзине велосипеда, а велосипед стоял на этой улочке.

Три референсных изображения и композит от каждой модели

Верхний ряд, три референса: фото корги, велосипед и улочка у моря. Нижний ряд: композит 2.0 Medium слева, композит первого поколения справа.

На первый взгляд обе справились. Корги в корзине, велосипед и улочка соответствуют референсам, и даже настенный фонарь и цветочные горшки попали в кадр. Чтобы увидеть разницу, нужно увеличить картинку.

Первое — собака. Корги на референсном фото трёхцветный, с чёрной шерстью над глазами и вдоль спины. 2.0 Medium сохранила эти чёрные отметины. У модели первого поколения корги вышел рыже-белым, и вблизи это уже не ваша собака. Второе — в левом нижнем углу, где модель первого поколения добавила небольшую строку текста, похожую на подпись фотографа. 2.0 этого не сделала. Водяной знак, взявшийся из ниоткуда, — ещё одна вещь, которую придётся убирать перед публикацией.

Заявление xAI о том, что при редактировании модель сохраняет то, что вы ей даёте, здесь заметно. Если вы работаете в инструменте Редактировать изображение со своим питомцем, портретом или фото товара, это важнее, чем то, правильно ли написан заголовок.

Скорость: сколько занимают Low и Medium

Вот сколько заняло каждое изображение в этом тесте, всё в 1K:

  • 2.0 Low: от 14 до 57 секунд, в основном меньше 30
  • 2.0 Medium: от 68 до 90 секунд
  • Grok Imagine первого поколения: от 11 до 14 секунд
  • GPT Image 2.6 Medium: от 26 до 51 секунды

Medium у Grok Imagine Image 2.0 явно медленная. Каждое изображение занимает больше минуты — дольше, чем у GPT Image 2.6 на её уровне Medium. Модель первого поколения самая быстрая и очень стабильная. На запуске мы также попробовали два быстрых прогона на 2.0 Low: изображение из текста в 1K заняло 18 секунд, а превращение фото в акварель — 17, так что правки идут примерно так же быстро, как генерация с нуля.

Когда её использовать, а когда переходить на GPT Image 2.6

Если на изображении есть текст или я редактирую фото и не хочу, чтобы люди или предметы поплыли, Grok Imagine Image 2.0 — мой выбор по умолчанию. Начинайте на Low, чтобы перебрать направления. Это дешевле и быстро, так что можно прогнать несколько композиций за один раз. Потом перезапустите понравившийся промпт на Medium для финала: компоновка выглядит законченнее, и меньше шансов, что модель вставит то, чего в промпте не было. Что бы ни вышло на Low, вычитывайте текст.

Если вам нужен всего лишь постер с коротким заголовком, Grok Imagine первого поколения тоже справится, причём гораздо быстрее, так что это хороший выбор, когда вы торопитесь. Но как только в деле участвуют референсные изображения, особенно композиты, где питомец, лицо или детали товара должны сохраниться в целости, переключайтесь на Grok Imagine 2.0.

Для 4K, больше 3 референсных изображений или длинного плотного макета переключайтесь на GPT Image 2.6. Grok Imagine Image 2.0 ограничена 2K и принимает максимум 3 референсных изображения, и это жёсткие пределы.

Все эти модели живут на одной странице, в разделе Генератор изображений, так что переключаться между ними можно, никуда не уходя. Прогоните один промпт через каждую — это скажет вам больше любого обзора.

Частые вопросы

Grok Imagine Image 2.0 Low или Medium: что выбрать?

Low — чтобы перебирать направления и делать черновики пачками: это дешевле, и большинство изображений приходит в пределах полминуты. Medium — для финального изображения: макеты аккуратнее, и меньше шансов, что модель добавит что-то от себя, но каждое изображение занимает больше минуты.

Сколько референсных изображений можно использовать?

До 3. Без изображения это генерация изображения из текста, с одним изображением — правка, а с двумя или тремя их можно объединить.

Может ли она делать изображения больше 2K?

Нет, 2K — максимум. Если нужно 4K, переключайтесь на GPT Image 2.6.

Умеет ли она делать прозрачный фон?

Нет, прозрачный фон она не выдаёт. Если нужен PNG с вырезанным объектом сразу, используйте Seedream 5.5.

Можно ли писать промпты не на английском?

Ввести их можно. Но все промпты в этом тесте были на английском, и результаты на других языках я пока не сравнивал, так что не могу сказать, насколько хорошо они работают.

Поделиться

Читайте также

Смотреть все