Grok Imagine 擅长什么——又不擅长什么

Grok Imagine 是在速度上胜出的模型。从 prompt 到含音频成片,它比竞品旗舰明显更快。对任何在做创意方向迭代的人,这件事根本性地改变了工作流。你生成、看、调 prompt、再生成——按对话节奏,而不是每次都等几分钟。等慢旗舰出第一次,Grok 已经出了好几个变种、方向已经收窄了。

模型还用同一个 prompt 解析器统一图像和视频。你不在前端选"图像模型"或"视频模型"——你描述你要什么,Grok 自己决定出静帧还是给它动起来。图生视频支持 1 到 15 秒,带原生同步音频(对白、环境音、音效)——无单独运动模型、无单独 TTS、无单独 Foley 步。对社媒原生短视频(交付物是一段 10 秒带声循环),Grok 把流水线从"三个模型 + 一道剪辑"压成"一个模型、一条 prompt"。

多图编辑支持单请求最多 3 张源图——组合主体、迁移风格、合成场景——全在一句文本指令里,无蒙版无图层操作。相对支持 10+ 张参考图的模型,单次约束更少,但对快速探索这通常是特性而不是缺陷。

它弱在哪:顶端分辨率上的写实人像保真是 Flux 2 Pro 的赛道——Grok 快但每像素精修差一档。真实世界引用的事实准确(真实地点、产品、品牌)是 Nano Banana Pro 的地盘。多语种文字渲染偏好 Nano Banana Pro。带硬切的多镜头视频分镜偏好 Kling V3。Grok Imagine 的甜点区是迭代速度、风格化、社媒原生短内容。

一个合理的心理模型:起稿、迭代、快速短内容,默认选 Grok Imagine。方向锁定后,把胜出的 prompt 交给更重档的模型走终稿。