Grok Imagine がスタジオに：実際の用途は何か

Grok Imagine が今週初めに着地し、最初の反応はこうでした：もう 1 つ画像と動画のモデルが必要だろうか？静止画は FLUX.2 Pro と Nano Banana 2 があり、動画はシネマティック、ソーシャル、低コスト枠をすでにカバー。正直、確信はありませんでした — 実際のプロンプトを数日通して、返ってくるものを見るまでは。

本日、スタジオに追加しました。何のためのモデルで、何のためのモデルでないかを書きます。

Grok Imagine が調整されている対象

このモデルは明らかに、競合とは違うミックスで学習しています。すぐ目に付くことが 2 つ：

**ソーシャル・ネイティブ。**アスペクト比は 9:16 と 1:1 が文句なしの既定。視覚文法は、人々が憧れるものではなく、実際に投稿するものに近い。肌の色味、ライティング、何気なさ — モデルが出すクリップと静止画は、ムードボードから取り出したというより、誰かのスマホから出てきたように感じます。

**速くて安い。**典型的なプロンプトで生成およそ 4〜6 秒、Veo は 25〜40 秒。クレジット消費は Veo より Hailuo に近い。これで、ソーシャルワークフローが要求する大量の反復ループ — ドラフト、判断、差し替え — が現実に回せます。

競合に勝てる場所

テストから見えた 3 つの具体カテゴリ：

1. **X 用やショート動画の生っぽいクリップ。**カメラに向かって話す人、B ロール風スニペット、「日常の一コマ」。HappyHorse の音声同期品質はより高く、Veo の映画撮影はよりシャープ — ただし 演出していない感 が要るクリップでは Grok が勝つ。

2. **ドラフトと探索。**ショットの正解がまだ分からないとき、手が伸びるのが Grok。反復コストが十分低いので、10 案生成し、好きなフレーミングを選び、最終仕上げのために重いモデルに昇格できます。

3. **ミーム、リアクション、即出しの静止画。**フォトリアルに振ったモデルが考え過ぎる種類の構図ジョークを、画像側が処理できます。タキシードを着たガチョウが欲しければ、Grok は人生の選択を問いただすことなくガチョウをタキシードで返してくれます。

勝てない場所

シネマティック出力のモデルではありません。カメラワークは曖昧、フォーカスプルは存在しない、長尺ほどほつれが見えます。テレビで 4K に耐える必要があるなら、これではありません。

タイポグラフィやラベルのモデルでもありません。Nano Banana 2 や GPT Image 2 以外のほとんどの画像モデルと同じく、遠目には テキストっぽく 見えるものを出し、近づくと崩れます。

そして同期音声を生成しません。クリップは無音 — ポストで音を足すか、音声と映像の同時生成が要件なら HappyHorse に流してください。

ルーティング方法

スタジオでは「Grok Imagine」が画像ピッカーと動画ピッカーの両方に現れます。モデルピッカーのレコメンドロジックは、次の場合にこれを提案します：

• アスペクト比が 9:16 か 1:1（ソーシャル形状）。
• プロンプトに casual、handheld、real、raw、iPhone、vlog、POV、unfiltered のような語を含む。
• 同じスレッドで以前に Grok のドラフトを重いモデルに昇格させたことがある（適材としての信任票として扱います）。

レコメンドは常に上書きできます。ピッカーの狙いは正解を出すことではなく — 正解に 1 キーで届くことです。

xAI のトレードオフについて

Grok Imagine が興味深いのは、xAI が他ラボとは違うトレードオフを取っているから。競合はベンチマークの王冠を競っています。xAI が競っているのは 投稿ボタン — 毎日、ソーシャルに上げるために誰かが実際に generate を押すもの。最適化対象が違えば、有意に違うプロダクトになります。

私たちはどのレースにも馬を出していません。仕事は、適切な道具を 1 キー先に置くこと。だから：ドラフトとソーシャルなら Grok、シネマティックなら Veo、音声同期動画なら HappyHorse、実テキスト入り静止画なら Nano Banana 2 か GPT Image 2。

それがラインナップの全貌で、各モデルが最も得意なことをしています。