Grok Imagine Image 2.0 实测:Low 和 Medium 差多少,文字和改图能不能用

Grok Imagine Image 2.0 的 Low、Medium 对比第一代和 GPT Image 2.6:海报小字、包装、菜单、人像、合成和速度。
xAI 在今年 8 月 7 日发布了 Grok Imagine Image 2.0。官方介绍里说了几件事:提示词听得更细,排字像设计师,小字能看清,改图时能保住你给它的东西。11 月 15 日起,它在 ZOOOP 上也能用了。
ZOOOP 之前上的是第一代 Grok Imagine,所以我最想弄清楚两件事:新一代强在哪,Low 和 Medium 值不值得分开用。我拿同一批提示词,把 2.0 的两档、第一代和 GPT Image 2.6 摆在一起跑了一轮。先说结论:文字这一项,这次四个模型打平;Grok Imagine Image 2.0 拉开差距的地方在改图时保住主体、不乱加东西,还有版式更像成品。
Grok Imagine Image 2.0 是什么,和第一代差在哪
Grok Imagine Image 2.0 是 xAI 的第二代图像模型。在 ZOOOP 上,它和第一代 Grok Imagine 一样,可以直接文生图,也可以放参考图改图、合成,最多 3 张。画幅有 16:9、3:2、4:3、1:1、3:4、2:3、9:16 七种,分辨率选 1K 或 2K。提示词最长 8,000 字符,文案、层级、配色这些要求一段话就能写完。
和第一代比,最直观的变化是多了 Low 和 Medium 两档画质。Low 比 Medium 便宜,不过两档在 ZOOOP 的 AI 图像生成 里都算便宜的那一类。第一代没有下线,下面每一组对比都带着它。
怎么测的
四组提示词,每组在四个模型上各跑一次,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 档当参照。题目专挑官方说改进最大的地方:
- 爵士夜海报,2:3。大标题「MIDNIGHT TIDE」,底部一行小字「Live at Harbor Hall · Friday 21 November · Doors 8 PM」,丝网印刷风。
- 茶罐包装,1:1。标签写「CHAMOMILE CALM」,下面一行小字「Organic herbal infusion · 20 pyramid bags」,配手绘洋甘菊。
- 街拍人像,3:4。下雨天的里斯本,咖啡馆遮阳棚下,一位六十多岁、银色卷发、穿黄色雨衣的女士在笑。
- 黑板菜单,4:3。标题「TODAY'S BREWS」,六款饮品逐行手写,每行配一个小图标。提示词里没要价格。
另外单独测了一组三图合成,只跑 2.0 Medium 和第一代。
海报和包装:文字到底准不准
先说一个出乎我意料的结果:这次四个模型的大标题和小字全部拼写正确,第一代也是。底部那行带日期和时间的小字,四张都一个字母不差。

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

从上到下:2.0 Low、2.0 Medium、第一代 Grok Imagine、GPT Image 2.6。
所以「文字更准」这条,在这种短文案上看不出差距,得老实说。小字确实清楚,只是第一代在这个长度上本来就能写对;整页说明、多栏小字这种更难的版式,这次没测。
差别在版式上。四张海报都画了月亮、海浪和吹萨克斯的剪影:2.0 Low 在小字两边加了浪花纹饰;2.0 Medium 给整张海报围了一圈细线框,小字收在框里,像真印出来的演出海报;第一代把画面缩成一块,嵌在橙色底上,构图更平;GPT Image 2.6 的颗粒感最像丝网印刷。
茶罐的差距更明显一些。

从左到右:2.0 Low、2.0 Medium、第一代 Grok Imagine、GPT Image 2.6。
2.0 Medium 把标签做成了一块米白色贴纸,带细边框,洋甘菊是手绘线稿,整罐看起来像货架上真能买到的东西。2.0 Low 直接把字印在罐身上,层次也很清楚,拿去做提案已经够用。第一代那行小字放大看有点发虚,拼写倒是没错。
菜单和人像:Low 和 Medium 的差别
黑板菜单是这次 Grok Imagine Image 2.0 Low 唯一一次明显出问题。

左:2.0 Low;右:2.0 Medium。
两张都把六款饮品和小图标配齐了。可 Low 在每一行后面自己加了价格,提示词里根本没提,真拿去给咖啡店用,这些数字得一个个改掉。Medium 只写了要求的内容。一次测试说明不了 Low 总会这样,但值得记一笔:Low 偶尔会自作主张加东西。
人像没有对错之分,四张都很好,差别在审美。

从左到右:2.0 Low、2.0 Medium、第一代 Grok Imagine、GPT Image 2.6。
2.0 Low 的女士正对镜头笑,有点像摆拍;2.0 Medium 里她侧着头笑得很放松,像随手抓拍到的一下。第一代把人放得比较远,街景占了大半个画面。GPT Image 2.6 也很像抓拍,背后的小黑板上还写了几样葡萄牙语的点心名,挺有里斯本的味道。提示词里要的元素,四张都没漏。
改图合成:三张图拼一张
到了这一组,Grok Imagine Image 2.0 和第一代才拉开距离。三张参考图:一张柯基的手机照片、一辆带车筐的红色复古自行车、一条阳光下的海边小街。提示词要求柯基坐在自行车的前筐里,车停在这条小街上。

上排是三张参考图:柯基照片、自行车、海边小街;下排左边是 2.0 Medium 的合成,右边是第一代的合成。
乍一看两张都完成了任务,柯基在车筐里,车和小街都对得上,连墙上的壁灯和花盆都在。差别要放大才看得出来。
一处在狗身上。参考照片里的柯基是三色的,眼睛上方和背上有黑毛。2.0 Medium 把这些黑色斑纹留住了;第一代的柯基变成了黄白两色,细看已经不是你家那只。另一处在左下角:第一代自己加了一行像摄影版权署名的小字,2.0 没有。这种凭空多出来的水印,发社媒之前还得再修掉。
官方说的「改图时保住你给的东西」,这次是看得见的。拿 AI 图像编辑 改自家宠物、人像或者产品图时,这一点比标题拼没拼对更要紧。
速度:Low、Medium 各要多久
这次测试里每张图的生成用时,全部 1K:
- 2.0 Low:14 到 57 秒,多数在 30 秒以内
- 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 明显慢,一张要一分多钟,比 GPT Image 2.6 的 Medium 档还慢。第一代最快,而且很稳。上线时我们还顺手试了两张 2.0 Low:1K 文生图 18 秒,照片改水彩 17 秒,改图和文生图差不多快。
什么时候用它,什么时候换 GPT Image 2.6
图上有文字,或者改照片时不想让人和物走样,我会默认用 Grok Imagine Image 2.0。先用 Low 试方向,便宜也快,一次多跑几个构图;选中的那条提示词再用 Medium 出终稿,版式更像成品,也不容易冒出提示词里没有的东西。用 Low 出的图,记得对一遍字。
如果只是一张短标题海报,第一代 Grok Imagine 也能写对,而且快得多,赶时间可以先用它。可一旦用到参考图,尤其是要保住宠物、人脸、产品细节的合成,就换 2.0。
要 4K、超过 3 张参考图,或者版式又长又密,就换 GPT Image 2.6。Grok Imagine Image 2.0 最高只到 2K,参考图最多 3 张,这两条是硬限制。
这几个模型都在同一个 AI 图像生成 页面里,切模型不用换地方。同一条提示词换着跑一遍,比看什么评测都直接。
常见问题
Grok Imagine Image 2.0 的 Low 和 Medium 怎么选?
试方向、批量出草稿用 Low,更便宜,多数半分钟内出图;终稿用 Medium,版式更讲究,也更少自作主张加内容,只是一张要一分多钟。
最多能放几张参考图?
最多 3 张。不放图就是文生图,放一张是改图,放两三张可以合成。
能出 2K 以上的图吗?
不能,最高 2K。需要 4K 可以换 GPT Image 2.6。
能做透明背景吗?
不能,它不输出透明背景。要直接拿到抠好的 PNG,可以换 Seedream 5.5。
中文提示词能用吗?
可以写。不过这次测试用的全是英文提示词,中文的效果还没对比过,不好下结论。





