Grok Imagine у студії: для чого він насправді

Grok Imagine вийшов на початку цього тижня, і наша перша реакція була: чи потрібна нам ще одна модель зображень і відео? У нас уже були FLUX.2 Pro і Nano Banana 2 для стилів; була лінійка відео, що вже покривала кінематографічне, соц та бюджетне. Чесна відповідь — ми не були певні, поки не провели кілька днів, маршрутизуючи через нього реальні промпти й дивлячись, що повертається.

Сьогодні ми додали його в студію. Ось для чого він — і для чого ні.

Під що заточений Grok Imagine

Модель явно навчена на іншому міксі, ніж її конкуренти. Дві речі помітні майже одразу:

Соціально-нативність. Співвідношення сторін за замовчуванням 9:16 та 1:1 без сперечань; візуальна граматика ближча до того, що люди насправді постять, ніж до того, до чого прагнуть. Тони шкіри, освітлення, природність — модель видає кліпи й кадри, що відчуваються як зняті з чийогось телефону, а не з муд-борду.

Швидкість і дешевизна. Генерації приблизно 4–6 секунд на типових промптах проти 25–40 у Veo. Вартість кредитів ближча до Hailuo, ніж до Veo. Це робить модель справді придатною для високооборотного циклу ітерацій — чорнетка, рішення, заміна, — якого вимагає соц-воркфлоу.

Де він обходить альтернативи

Три конкретні категорії з наших тестів:

1. Реалістичні кліпи для X і короткого відео. Люди, що говорять у камеру, b-roll-снипети, моменти «день із життя». Якість sync-audio у HappyHorse краща; кінематографія Veo чіткіша; але для кліпів, що мають відчуватись нестановими, Grok виграє.

2. Чернетки та пошук. Коли ще не знаєш, що за кадр, тягнешся до Grok. Вартість ітерації настільки низька, що можна згенерувати десять варіантів, обрати кадрування, що подобається, а потім передати важчій моделі для фінального.

3. Меми, реакції, швидкі кадри. Сторона зображень добре справляється з тими композиційними жартами, які фотореалістичні моделі схильні передумувати. Якщо хочете гуску в смокінгу, Grok дасть вам гуску в смокінгу, не оскаржуючи вашого вибору.

Де не справляється

Це не модель для кінематографічного виводу. Рухи камери неточні, focus pull відсутні, довші кліпи показують шви. Якщо ви робите щось, що має триматись на 4K телевізорі, це не воно.

Також це не модель для типографіки чи етикеток. Як і більшість моделей зображень, окрім Nano Banana 2 чи GPT Image 2, вона може видавати щось, що виглядає як текст здалека, і розпадається при огляді.

І вона не генерує синхронний звук. Кліпи мовчазні — звук додавати в пості або маршрутизувати в HappyHorse, якщо вимога — спільне аудіо-відео.

Як ми його маршрутизуємо

У студії «Grok Imagine» з’являється і в перемикачі зображень, і в перемикачі відео. Логіка рекомендацій тепер пропонує його, коли:

• Співвідношення сторін 9:16 або 1:1 (соц-формат).
• Промпт містить слова на кшталт casual, handheld, real, raw, iPhone, vlog, POV, unfiltered.
• Ви раніше підвищували чернетку Grok до важчої моделі в тому ж треді (це сприймаємо як вотум довіри, що це правильний інструмент).

Рекомендацію завжди можна перевизначити. Сенс перемикача — не бути правим, а бути за один натиск клавіші від правильного.

Про вибір xAI

Grok Imagine цікавий частково тому, що xAI робить інші вибори, ніж інші лабораторії. Конкуренти змагаються за корону бенчмарку. xAI змагається за кнопку «опублікувати» — на чому хтось насправді тисне генерувати щодня, щоб виставити в соц. Це інша оптимізаційна ціль, і вона дає помітно інший продукт.

У нас немає ставки в жодних із цих змагань. Наша робота — поставити правильний інструмент за один натиск. Тож: чернетки й соц — тягніться до Grok. Кінематографічні кадри — до Veo. Аудіо-синхронне відео — до HappyHorse. Кадри зі справжнім текстом — до Nano Banana 2 чи GPT Image 2.

Це й уся лінійка, кожна модель робить те, в чому найкраща.