Grok Imagine в студии: для чего она реально

Grok Imagine вышла в начале недели, и первая реакция была: нужна ли нам ещё одна image-and-video модель? У нас уже FLUX.2 Pro и Nano Banana 2 для статики; видеолинейка покрывает кинематографичный, социальный и бюджетный сегменты. Честный ответ — не были уверены, пока пару дней не прогоняли через неё реальные промпты и не смотрели, что приходит назад.

Сегодня добавили её в студию. Рассказываем, для чего она — и для чего нет.

Под что она заточена

Модель явно обучена на другом миксе, чем конкуренты. Две вещи бросаются в глаза сразу:

Социально-нативная. Аспект-рейшио дефолтится в 9:16 и 1:1 без споров; визуальная грамматика ближе к тому, что люди реально постят, чем к тому, к чему стремятся. Тона кожи, свет, естественность — выдаёт клипы и кадры, как будто снято с телефона, а не с мудборда.

Быстрая и дешёвая. Генерация — около 4–6 секунд на типичных промптах против 25–40 у Veo. Стоимость в кредитах ближе к Hailuo, чем к Veo. Это делает её реально пригодной для высокочастотного цикла итерации — черновик, решение, замена, — который требуется в социальных воркфлоу.

Где обгоняет альтернативы

Три конкретные категории — по нашим тестам:

1. «Живые» клипы для X и short-form. Люди говорят в камеру, b-roll, моменты «день из жизни». Sync-audio у HappyHorse качественнее; кинематография Veo резче; но для клипов, которые должны не выглядеть постановкой — Grok выигрывает.

2. Черновики и разведка. Когда ещё не знаешь, что должно быть в кадре, тянешься к Grok. Стоимость итерации низкая — можно сгенерировать десять вариантов, выбрать кадрирование, потом промоутнуть в тяжёлую модель.

3. Мемы, реакции, быстрая статика. Image-сторона хорошо обрабатывает композиционные шутки, которые фотореалистичные модели обычно переосмысливают. Если хочешь гуся в смокинге — Grok даст гуся в смокинге, не сомневаясь.

Где не справляется

Это не модель под кинематограф. Движения камеры неточные, переключения фокуса нет, на длинных клипах видны швы. Если вы делаете что-то под 4K на телевизоре — это не сюда.

Это также не модель под типографику и этикетки. Как большинство image-моделей, кроме Nano Banana 2 и GPT Image 2, может выдать что-то похожее на текст издалека, что рассыпается при разглядывании.

И синхронного аудио не генерирует. Клипы немые — звук добавляется в посте или маршрутизируется в HappyHorse, если нужна совместная аудио-видео генерация.

Как мы её маршрутизируем

В студии Grok Imagine появляется и в image-пикере, и в video-пикере. Логика рекомендаций предлагает её, когда:

• Аспект-рейшио 9:16 или 1:1 (социальный формат).
• В промпте есть слова casual, handheld, real, raw, iPhone, vlog, POV, unfiltered.
• Вы уже промоутили черновик из Grok в более тяжёлую модель в том же треде (мы считаем это голосом доверия, что инструмент правильный).

Рекомендацию всегда можно перебить. Смысл пикера не в том, чтобы быть правым — а в том, чтобы правильный выбор был в одном клавиатурном нажатии.

О компромиссах xAI

Grok Imagine интересна отчасти потому, что xAI делает другие компромиссы, чем остальные лаборатории. Конкуренты гонятся за бенчмарк-короной. xAI — за кнопкой post: на чём пользователь реально жмёт generate каждый день, чтобы выложить в соцсети. Это другая цель оптимизации, и она даёт ощутимо другой продукт.

У нас нет ставок в этих гонках. Наша задача — поставить правильный инструмент на расстояние одного клавиатурного нажатия. Так что: черновики и социалка — Grok. Кинематограф — Veo. Аудио-синхронное видео — HappyHorse. Статика с реальным текстом — Nano Banana 2 или GPT Image 2.

Это вся линейка, каждый — на своём месте.