Grok Imagine Image 2.0 實測:Low 和 Medium 差多少,文字和改圖能不能用

Grok Imagine Image 2.0 Low、Medium 對比第一代和 GPT Image 2.6:海報小字、包裝、菜單、人像、三圖合成和出圖速度。
xAI 在今年 8 月 7 日發布了 Grok Imagine Image 2.0。官方介紹裡說了幾件事:提示詞聽得更細,排字像設計師,小字看得清楚,改圖時能保住你給它的東西。11 月 15 日起,它在 ZOOOP 上也能用了。
ZOOOP 之前上的是第一代 Grok Imagine,所以我最想弄清楚兩件事:新一代強在哪,Low 和 Medium 值不值得分開用。我拿同一批提示詞,把 2.0 的兩檔、第一代和 GPT Image 2.6 擺在一起跑了一輪。先說結論:文字這一項,這次四個模型打平;Grok Imagine Image 2.0 拉開差距的地方在改圖時保住主體、不亂加東西,還有版面更像成品。
Grok Imagine Image 2.0 是什麼,和第一代差在哪
Grok Imagine Image 2.0 是 xAI 的第二代圖像模型。在 ZOOOP 上,它和第一代 Grok Imagine 一樣,可以直接文生圖,也可以放參考圖改圖、合成,最多 3 張。畫幅有 16:9、3:2、4:3、1:1、3:4、2:3、9:16 七種,解析度選 1K 或 2K。提示詞最長 8,000 字元,文案、層級、配色這些要求一段話就能寫完。
和第一代比,最直觀的變化是多了 Low 和 Medium 兩檔畫質。Low 比 Medium 便宜,不過兩檔在 ZOOOP 的 AI 圖像生成 裡都算便宜的那一類。第一代沒有下架,下面每一組對比都帶著它。
怎麼測的
四組提示詞,每組在四個模型上各跑一次,全部 1K:Grok Imagine Image 2.0 的 Low 和 Medium、第一代 Grok Imagine,再拿 GPT Image 2.6 的 Medium 檔當參照。題目專挑官方說改進最大的地方:
- 爵士夜海報,2:3。大標題「MIDNIGHT TIDE」,底部一行小字「Live at Harbor Hall · Friday 21 November · Doors 8 PM」,網版印刷風。
- 茶罐包裝,1:1。標籤寫「CHAMOMILE CALM」,下面一行小字「Organic herbal infusion · 20 pyramid bags」,配手繪洋甘菊。
- 街拍人像,3:4。下雨天的里斯本,咖啡館遮陽棚下,一位六十多歲、銀色捲髮、穿黃色雨衣的女士在笑。
- 黑板菜單,4:3。標題「TODAY'S BREWS」,六款飲品逐行手寫,每行配一個小圖示。提示詞裡沒要價格。
另外單獨測了一組三圖合成,只跑 2.0 Medium 和第一代。
海報和包裝:文字到底準不準
先說一個出乎我意料的結果:這次四個模型的大標題和小字全部拼寫正確,第一代也是。底部那行帶日期和時間的小字,四張都一個字母不差。

由左到右:Grok Imagine Image 2.0 Low、2.0 Medium、第一代 Grok Imagine、GPT Image 2.6。

由上到下:2.0 Low、2.0 Medium、第一代 Grok Imagine、GPT Image 2.6。
所以「文字更準」這條,在這種短文案上看不出差距,得老實說。小字確實清楚,只是第一代在這個長度上本來就能寫對;整頁說明、多欄小字這種更難的版面,這次沒測。
差別在版面上。四張海報都畫了月亮、海浪和吹薩克斯風的剪影:2.0 Low 在小字兩邊加了浪花紋飾;2.0 Medium 給整張海報圍了一圈細線框,小字收在框裡,像真的印出來的演出海報;第一代把畫面縮成一塊,嵌在橘色底上,構圖比較平;GPT Image 2.6 的顆粒感最像網版印刷。
茶罐的差距更明顯一些。

由左到右:2.0 Low、2.0 Medium、第一代 Grok Imagine、GPT Image 2.6。
2.0 Medium 把標籤做成了一塊米白色貼紙,帶細邊框,洋甘菊是手繪線稿,整罐看起來像貨架上真的買得到的東西。2.0 Low 直接把字印在罐身上,層次也很清楚,拿去做提案已經夠用。第一代那行小字放大看有點糊,拼寫倒是沒錯。
菜單和人像:Low 和 Medium 的差別
黑板菜單是這次 Grok Imagine Image 2.0 Low 唯一一次明顯出問題。

左:2.0 Low;右:2.0 Medium。
兩張都把六款飲品和小圖示配齊了。可是 Low 在每一行後面自己加了價格,提示詞裡根本沒提,真要拿去給咖啡店用,這些數字得一個個改掉。Medium 只寫了要求的內容。一次測試說明不了 Low 總是會這樣,但值得記一筆:Low 偶爾會自作主張加東西。
人像沒有對錯之分,四張都很好,差別在審美。

由左到右:2.0 Low、2.0 Medium、第一代 Grok Imagine、GPT Image 2.6。
2.0 Low 的女士正對鏡頭笑,有點像擺拍;2.0 Medium 裡她側著頭笑得很放鬆,像隨手抓拍到的一瞬間。第一代把人放得比較遠,街景佔了大半個畫面。GPT Image 2.6 也很像抓拍,背後的小黑板上還寫了幾樣葡萄牙文的點心名,挺有里斯本的味道。提示詞裡要的元素,四張都沒漏。
改圖合成:三張圖拼一張
到了這一組,Grok Imagine Image 2.0 和第一代才拉開距離。三張參考圖:一張柯基的手機照片、一台帶車籃的紅色復古腳踏車、一條陽光下的海邊小街。提示詞要求柯基坐在腳踏車的前車籃裡,車停在這條小街上。

上排是三張參考圖:柯基照片、腳踏車、海邊小街;下排左邊是 2.0 Medium 的合成,右邊是第一代的合成。
乍看之下兩張都完成了任務,柯基在車籃裡,車和小街都對得上,連牆上的壁燈和花盆都在。差別要放大才看得出來。
一處在狗身上。參考照片裡的柯基是三色的,眼睛上方和背上有黑毛。2.0 Medium 把這些黑色斑紋留住了;第一代的柯基變成了黃白兩色,細看已經不是你家那隻。另一處在左下角:第一代自己加了一行像攝影版權署名的小字,2.0 沒有。這種憑空多出來的浮水印,發社群之前還得再修掉。
官方說的「改圖時保住你給的東西」,這次是看得見的。拿 AI 圖像編輯 改自家寵物、人像或者產品圖時,這一點比標題拼沒拼對更要緊。
速度:Low、Medium 各要多久
這次測試裡每張圖的生成時間,全部 1K:
- 2.0 Low:14 到 57 秒,多數在 30 秒以內
- 2.0 Medium:68 到 90 秒
- 第一代 Grok Imagine:11 到 14 秒
- GPT Image 2.6 Medium:26 到 51 秒
Grok Imagine Image 2.0 的 Medium 明顯慢,一張要一分多鐘,比 GPT Image 2.6 的 Medium 檔還慢。第一代最快,而且很穩。上線時我們還順手試了兩張 2.0 Low:1K 文生圖 18 秒,照片改水彩 17 秒,改圖和文生圖差不多快。
什麼時候用它,什麼時候換 GPT Image 2.6
圖上有文字,或者改照片時不想讓人和物走樣,我會預設用 Grok Imagine Image 2.0。先用 Low 試方向,便宜也快,一次多跑幾個構圖;選中的那條提示詞再用 Medium 出定稿,版面更像成品,也比較不會冒出提示詞裡沒有的東西。用 Low 出的圖,記得對一遍字。
如果只是一張短標題海報,第一代 Grok Imagine 也能寫對,而且快得多,趕時間可以先用它。可是一旦用到參考圖,尤其是要保住寵物、人臉、產品細節的合成,就換 2.0。
要 4K、超過 3 張參考圖,或者版面又長又密,就換 GPT Image 2.6。Grok Imagine Image 2.0 最高只到 2K,參考圖最多 3 張,這兩條是硬限制。
這幾個模型都在同一個 AI 圖像生成 頁面裡,切模型不用換地方。同一條提示詞換著跑一遍,比看什麼評測都直接。
常見問題
Grok Imagine Image 2.0 的 Low 和 Medium 怎麼選?
試方向、批次出草稿用 Low,更便宜,多數半分鐘內出圖;定稿用 Medium,版面更講究,也更少自作主張加內容,只是一張要一分多鐘。
最多能放幾張參考圖?
最多 3 張。不放圖就是文生圖,放一張是改圖,放兩三張可以合成。
能出 2K 以上的圖嗎?
不能,最高 2K。需要 4K 可以換 GPT Image 2.6。
能做透明背景嗎?
不能,它不輸出透明背景。要直接拿到去背好的 PNG,可以換 Seedream 5.5。
中文提示詞能用嗎?
可以寫。不過這次測試用的全是英文提示詞,中文的效果還沒比較過,不好下結論。





