Grok Imagine Image 2.0 Low vs Medium: Thử chữ và chỉnh sửa ảnh

Đánh giá Grok Imagine 2.0: Low và Medium so với Grok Imagine thế hệ đầu và GPT Image 2.6 qua poster, bao bì, menu, chân dung, sửa 3 ảnh và tốc độ.
xAI phát hành Grok Imagine Image 2.0 vào ngày 7 tháng 8. Thông báo chính thức đưa ra vài lời hứa: bám prompt tới từng chi tiết, dàn chữ như một nhà thiết kế, giữ chữ nhỏ vẫn đọc được, và giữ nguyên những gì bạn đưa vào khi chỉnh sửa. Từ ngày 15 tháng 11, bạn cũng có thể dùng nó trên ZOOOP.
ZOOOP vốn đã có Grok Imagine thế hệ đầu, nên tôi muốn trả lời hai câu hỏi: Grok Imagine 2.0 thực sự làm tốt hơn ở đâu, và Low với Medium có đáng được xem như hai công cụ riêng hay không. Tôi chạy cùng một bộ prompt trên cả hai mức chất lượng của 2.0, trên mô hình thế hệ đầu và GPT Image 2.6, rồi đặt cạnh nhau. Nói ngắn gọn: về chữ, lần này cả bốn hòa nhau. Grok Imagine Image 2.0 vượt lên ở các lần chỉnh sửa giữ nguyên chủ thể, ở việc không thêm những thứ bạn không yêu cầu, và ở bố cục trông gần với một sản phẩm hoàn chỉnh hơn.
Grok Imagine Image 2.0 là gì, và khác gì bản đầu tiên
Grok Imagine Image 2.0 là mô hình tạo ảnh thế hệ thứ hai của xAI. Trên ZOOOP, nó hoạt động giống như Grok Imagine thế hệ đầu: tạo thẳng từ prompt, hoặc thêm tối đa 3 ảnh tham chiếu để chỉnh sửa hay kết hợp chúng. Bạn có bảy tỷ lệ khung hình, 16:9, 3:2, 4:3, 1:1, 3:4, 2:3 và 9:16, ở 1K hoặc 2K. Ô prompt nhận tới 8.000 ký tự, nên nội dung chữ, thứ bậc và màu sắc đều gói gọn trong một đoạn.
Thay đổi dễ thấy nhất so với bản đầu là lựa chọn mới giữa hai mức chất lượng, Low và Medium. Low rẻ hơn Medium, dù cả hai đều thuộc nhóm rẻ trong các mô hình ở Trình tạo hình ảnh AI của ZOOOP. Mô hình thế hệ đầu chưa bị gỡ, và có mặt trong mọi phép so sánh bên dưới.
Cách chúng tôi thử
Bốn prompt, mỗi prompt chạy một lần trên bốn mô hình, tất cả ở 1K: Grok Imagine Image 2.0 ở mức Low và Medium, Grok Imagine thế hệ đầu, và GPT Image 2.6 ở mức Medium làm mốc so sánh. Tôi chọn những prompt nhắm vào các mảng xAI nói đã cải thiện nhiều nhất:
- Poster đêm nhạc jazz, 2:3. Tiêu đề "MIDNIGHT TIDE", một dòng chữ nhỏ ở đáy, "Live at Harbor Hall · Friday 21 November · Doors 8 PM", theo phong cách in lụa.
- Bao bì hộp trà thiếc, 1:1. Nhãn ghi "CHAMOMILE CALM", bên dưới là một dòng chữ nhỏ "Organic herbal infusion · 20 pyramid bags", và hoa cúc La Mã vẽ tay.
- Chân dung đường phố, 3:4. Lisbon trong mưa: một phụ nữ ngoài sáu mươi, tóc xoăn bạc, mặc áo mưa vàng, cười dưới mái hiên quán cà phê.
- Menu bảng phấn, 4:3. Tiêu đề "TODAY'S BREWS", sáu loại đồ uống viết tay mỗi dòng một món, mỗi món kèm một biểu tượng nhỏ. Prompt không hề nhắc tới giá.
Tôi cũng chạy riêng một bài ghép ba ảnh, chỉ trên 2.0 Medium và mô hình thế hệ đầu.
Poster và bao bì: chữ có thực sự đúng không?
Trước tiên là một kết quả tôi không ngờ. Cả bốn mô hình đều viết đúng cả tiêu đề lẫn dòng chữ nhỏ, kể cả mô hình thế hệ đầu. Dòng cuối có ngày và giờ ra đúng từng chữ trên cả bốn tấm poster.

Từ trái sang phải: Grok Imagine Image 2.0 Low, 2.0 Medium, Grok Imagine thế hệ đầu, GPT Image 2.6.

Từ trên xuống: 2.0 Low, 2.0 Medium, Grok Imagine thế hệ đầu, GPT Image 2.6.
Nên nói thật: với đoạn chữ ngắn thế này, nâng cấp "chữ chính xác hơn" không lộ ra. Chữ nhỏ sắc nét, nhưng mô hình thế hệ đầu vốn đã xử lý được một dòng dài cỡ này. Các bố cục khó hơn, như cả một trang hướng dẫn hay nhiều cột chữ nhỏ, không nằm trong bài thử này.
Khác biệt nằm ở bố cục. Cả bốn tấm poster đều có mặt trăng, sóng và bóng một nghệ sĩ saxophone. 2.0 Low đóng khung dòng chữ nhỏ bằng những họa tiết sóng nhỏ. 2.0 Medium kẻ một đường viền mảnh quanh cả tấm poster và đặt dòng chữ nhỏ vào bên trong, trông như poster biểu diễn đã thực sự qua nhà in. Mô hình thế hệ đầu thu nhỏ phần hình thành một khối trên nền cam, và bố cục phẳng hơn. GPT Image 2.6 có độ hạt giống in lụa thật nhất.
Hộp trà cho thấy khoảng cách lớn hơn.

Từ trái sang phải: 2.0 Low, 2.0 Medium, Grok Imagine thế hệ đầu, GPT Image 2.6.
Grok Imagine Image 2.0 ở mức Medium biến nhãn thành một miếng dán màu trắng ngà với viền mảnh và hoa cúc nét vẽ, cả hộp trông như món bạn có thể lấy xuống từ kệ hàng. Low in chữ thẳng lên hộp. Thứ bậc vẫn rõ ràng, và đủ tốt để đi pitch. Chữ nhỏ của mô hình thế hệ đầu hơi nhòe khi phóng to, dù chính tả vẫn đúng.
Menu và chân dung: nơi Low và Medium rẽ lối
Menu bảng phấn là lần duy nhất Grok Imagine Image 2.0 Low rõ ràng làm sai.

Trái: 2.0 Low. Phải: 2.0 Medium.
Cả hai đều có đủ sáu loại đồ uống và biểu tượng. Nhưng Low tự thêm giá vào cuối mỗi dòng, dù prompt không hề nhắc tới giá. Nếu một quán cà phê dùng tấm bảng này thật, sẽ có người phải sửa từng con số một. Medium chỉ viết đúng những gì được yêu cầu. Một bài thử không chứng minh Low lúc nào cũng vậy, nhưng nên nhớ rằng Low đôi khi thêm những thứ không ai yêu cầu.
Chân dung thì không có đúng sai. Cả bốn đều đẹp, và khác biệt tùy vào gu.

Từ trái sang phải: 2.0 Low, 2.0 Medium, Grok Imagine thế hệ đầu, GPT Image 2.6.
Ở 2.0 Low, bà cười thẳng vào máy ảnh, hơi có vẻ tạo dáng. Ở Medium, bà nghiêng đầu cười thoải mái, như một khoảnh khắc ai đó tình cờ bắt được. Mô hình thế hệ đầu lùi máy ra xa, và con phố chiếm phần lớn khung hình. GPT Image 2.6 cũng tự nhiên, và tấm bảng phấn nhỏ phía sau bà ghi vài món bánh bằng tiếng Bồ Đào Nha, một nét Lisbon dễ thương. Không ảnh nào trong bốn ảnh bỏ sót điều prompt yêu cầu.
Chỉnh sửa và ghép ảnh: ba ảnh thành một
Đây là chỗ Grok Imagine Image 2.0 cuối cùng cũng bỏ xa thế hệ đầu. Có ba ảnh tham chiếu: một bức ảnh điện thoại chụp chú corgi, một chiếc xe đạp cổ màu đỏ có giỏ, và một con hẻm ven biển đầy nắng. Prompt yêu cầu chú corgi ngồi trong giỏ trước của xe, và xe đậu trên con hẻm đó.

Hàng trên, ba ảnh tham chiếu: ảnh chú corgi, chiếc xe đạp và con hẻm ven biển. Hàng dưới: ảnh ghép của 2.0 Medium bên trái, ảnh ghép của thế hệ đầu bên phải.
Thoạt nhìn cả hai đều làm được. Chú corgi ngồi trong giỏ, chiếc xe và con hẻm khớp với ảnh tham chiếu, đến cả đèn tường và chậu hoa cũng có mặt. Phải phóng to mới thấy khác biệt.
Một là chú chó. Chú corgi trong ảnh tham chiếu là loại ba màu, có lông đen phía trên mắt và dọc lưng. 2.0 Medium giữ được những mảng đen đó. Chú corgi của mô hình thế hệ đầu ra màu vàng nâu và trắng, nhìn gần thì không còn là chó của bạn nữa. Hai là ở góc dưới bên trái, nơi mô hình thế hệ đầu tự thêm một dòng chữ nhỏ trông như tên nhiếp ảnh gia. 2.0 thì không. Một hình mờ bỗng dưng xuất hiện là thêm một thứ phải dọn trước khi đăng.
Lời xAI nói rằng mô hình giữ nguyên những gì bạn đưa vào khi chỉnh sửa thể hiện rõ ở đây. Nếu bạn dùng Chỉnh sửa hình ảnh cho thú cưng của mình, một bức chân dung hay ảnh sản phẩm, điều này quan trọng hơn việc tiêu đề có viết đúng chính tả hay không.
Tốc độ: Low và Medium mất bao lâu
Đây là thời gian mỗi ảnh mất trong bài thử này, tất cả ở 1K:
- 2.0 Low: 14 đến 57 giây, phần lớn dưới 30
- 2.0 Medium: 68 đến 90 giây
- Grok Imagine thế hệ đầu: 11 đến 14 giây
- GPT Image 2.6 Medium: 26 đến 51 giây
Mức Medium của Grok Imagine Image 2.0 chậm rõ rệt. Mỗi ảnh mất hơn một phút, lâu hơn GPT Image 2.6 ở mức Medium. Mô hình thế hệ đầu nhanh nhất, và rất ổn định. Lúc ra mắt chúng tôi cũng thử nhanh hai lượt trên 2.0 Low: một ảnh từ văn bản ở 1K mất 18 giây và biến một bức ảnh thành tranh màu nước mất 17 giây, nên chỉnh sửa chạy nhanh ngang với tạo mới từ đầu.
Khi nào dùng, và khi nào chuyển sang GPT Image 2.6
Nếu ảnh có chữ, hoặc tôi đang sửa một bức ảnh và không muốn người hay vật bị lệch đi, Grok Imagine Image 2.0 là lựa chọn mặc định của tôi. Bắt đầu với Low để thử hướng đi. Nó rẻ và nhanh, nên bạn chạy được nhiều bố cục một lượt. Sau đó chạy lại prompt bạn ưng ở Medium cho bản cuối: bố cục trông hoàn thiện hơn, và ít khả năng chen vào những thứ prompt chưa từng nhắc. Bất cứ thứ gì ra từ Low, hãy soát lại chữ.
Nếu bạn chỉ cần một tấm poster với tiêu đề ngắn, Grok Imagine thế hệ đầu cũng làm đúng, mà nhanh hơn nhiều, nên là lựa chọn tốt khi bạn vội. Nhưng một khi có ảnh tham chiếu, nhất là ghép ảnh mà thú cưng, gương mặt hay chi tiết sản phẩm phải giữ nguyên vẹn, hãy chuyển sang Grok Imagine 2.0.
Cần 4K, hơn 3 ảnh tham chiếu, hoặc bố cục dài và dày đặc, hãy chuyển sang GPT Image 2.6. Grok Imagine Image 2.0 tối đa 2K và nhận nhiều nhất 3 ảnh tham chiếu, đó là giới hạn cứng.
Tất cả các mô hình này đều nằm trên cùng trang Trình tạo hình ảnh AI, nên bạn chuyển qua lại mà không phải đi đâu khác. Chạy một prompt qua từng mô hình sẽ cho bạn biết nhiều hơn bất kỳ bài đánh giá nào.
Câu hỏi thường gặp
Grok Imagine Image 2.0 Low hay Medium: nên dùng mức nào?
Low để thử hướng đi và làm nháp hàng loạt: rẻ hơn, và phần lớn ảnh xong trong nửa phút. Medium cho ảnh cuối: bố cục chỉn chu hơn và ít tự thêm thắt hơn, nhưng mỗi ảnh mất hơn một phút.
Dùng được bao nhiêu ảnh tham chiếu?
Tối đa 3. Không có ảnh là tạo ảnh từ văn bản, một ảnh biến nó thành chỉnh sửa, còn hai hoặc ba ảnh cho phép bạn kết hợp chúng.
Có tạo được ảnh lớn hơn 2K không?
Không, 2K là tối đa. Nếu cần 4K, hãy chuyển sang GPT Image 2.6.
Có tạo được nền trong suốt không?
Không, nó không xuất ảnh nền trong suốt. Nếu bạn muốn có ngay ảnh PNG đã tách nền, hãy dùng Seedream 5.5.
Có viết prompt bằng ngôn ngữ khác tiếng Anh được không?
Bạn gõ vào được. Nhưng mọi prompt trong bài thử này đều bằng tiếng Anh, và tôi chưa so sánh kết quả ở các ngôn ngữ khác, nên tôi không thể nói chúng hoạt động tốt đến đâu.





