Grok Imagine 2.0 vs GPT Image 2: сравнение и возможности

xAI выпустила Imagine Image 2.0 7 августа 2026 года, и рейтинги Arena, на которые компания ссылалась при анонсе, ставят эту модель на второе место в мире как по text-to-image, так и по редактированию изображений. Первое место в обоих случаях досталось GPT Image 2 от OpenAI^[1]. Это главный вывод, и он интереснее, чем может показаться, потому что в сравнении Grok Imagine 2.0 vs GPT Image 2 разница расположена не там, где большинство предполагает.

Если ты выбираешь между Grok Imagine 2.0 и GPT Image 2 для разработки на основе одной из них, рейтинг — наименее полезное число на странице. Важнее то, что одну из них ты можешь вызывать по API прямо сейчас, а другую нет, и что обе модели оптимизированы под разные половины одной и той же задачи.

Что на самом деле говорят баллы Grok Imagine 2.0 в Arena

На лидербордах, на которые ссылалась xAI в день анонса, Grok Imagine 2.0 набрала 1320 (±12) за text-to-image и 1439 (±8) за редактирование^[1]. Предыдущее поколение, Grok Imagine Quality, показывает 1228 и 1390 на этих же текущих рейтингах.

Это примерно +92 Elo за генерацию и +49 за редактирование. Это не ошибка округления и не просто «текстура кожи выглядит немного лучше». Скачок такого размера обычно означает, что модель изменила то, как она воспринимает инструкции, а не только то, как она рендерит пиксели.

Здесь есть оговорка. Баллы Grok Imagine 2.0 по-прежнему имеют пометку Preliminary, потому что количество голосов низко. «Сильное ранее размещение» — честное прочтение. «Вторая лучшая модель изображений в мире, это точно» — нет, по крайней мере пока. Любой вывод о Grok Imagine 2.0 vs GPT Image 2, написанный в этом месяце, условен по определению.

Момент, который сбивает с толку

Grok Imagine 2.0 не имеет публичного API в настоящий момент. Анонс xAI заканчивается словами «API access is coming soon» и всё^[1]. Ни эндпоинта, ни описания параметров, ни даты.

Между тем на API сегодня есть модель для изображений Grok, просто это не та. grok-imagine-image-quality доступна с мая 2026 года^[2]. Это предыдущее поколение, строка 1228/1390 в таблице выше. Если ты подключишь интеграцию на этой неделе, ожидая поведения Grok Imagine 2.0, ты получишь поведение Quality, а потом проведёшь весь день в недоумении, почему редактирование слабее, чем в демо.

GPT Image 2, напротив, вызывается прямо сейчас. Так что практический вопрос на ближайшие недели — не какая модель лучше. Это какую модель ты можешь на самом деле вызывать.

Где Grok Imagine 2.0 действительно сильнее

Обе модели не конкурируют за одно место в пайплайне.

GPT Image 2 выигрывает в корректности с одной попытки. Сложное следование инструкциям, рендеринг текста, сохранение объектов и меньше трат впустую на переделки. Через Responses API ты можешь вести диалог и делать высокоточное редактирование^[3]. Если твой рабочий процесс — «получить одно изображение ровно как надо, потом точно его отредактировать», это более мощный инструмент, и его место в Arena это подтверждает.

Grok Imagine 2.0 выигрывает в цикле. Модель редактирования Grok Imagine 2.0 — интересная половина: волшебная палочка, которая меняет только регион, на который ты указал, сегментация для точных областей, удаление фона, которое экспортирует объекты на прозрачность, и редактирование с несколькими референсами, которое принимает до пяти входов в одной генерации.

Последняя возможность — недооценённая. Вместо загрузки одного референсного изображения со всеми данными за раз, ты разделяешь их на пять входов и контролируешь точно, что наследуется откуда.

Старый режим отказа — вот что это исправляет. Ты генерируешь хороший кадр, одна рука вышла неправильно, ты переделываешь, чтобы исправить, и вот уже лицо, тело, освещение и композиция — всё разъехалось. Редактирование с ограничением по регионам означает, что части, которые ты уже одобрил, выживают при исправлении. На практике это превращает генерацию изображений в нечто большее похожее на фотосессию с ретушью, чем на дёргание рычага слот-машины до тех пор, пока весь кадр не приземлится.

Smart Resize принадлежит той же категории. Девять опубликованных соотношений сторон идут от 1:2 до 2:1, и вместо того, чтобы обрезать существующую композицию, модель заполняет кадр под соотношение, которое ты выбрал. Портрет 2:3 становится вертикалью 9:16 без потери того, что было за границами нового кадра.

Смежность с видео, которую никто не считает

GPT Image 2 не выводит видео. Grok Imagine выводит, и обе половины построены, чтобы передавать друг другу. Эта смежность редко появляется в таблице сравнения Grok Imagine 2.0 vs GPT Image 2, и для некоторых команд она решает весь вопрос.

Video 1.5 охватывает text-to-video, image-to-video, reference-to-video с до семью изображениями, нативная 1080p, клипы до 15 секунд и аудио, сгенерированное за один проход. Генерация 6 секунд в 720p Fast упала с более чем 40 секунд примерно до 25^[4]. На рейтинге Image-to-Video Arena она сидела третьей по состоянию на 2 августа 2026 года в группе сверху, чьи доверительные интервалы пересекаются.

Для статичного изображения часто достаточно пары секунд движения. Взгляд, который смещается. Плечи, поднимающиеся при вдохе. Волосы, развивающиеся ветром. Медленный zoom-in. Если твой результат попадает в соцсети, передача от изображения к короткому клипу стоит больше, чем 90 Elo на лидерборде.

Как это вписывается рядом с Gemini и Krea

Четыре модели, четыре разных задачи:

Gemini 3.1 Flash Image принимает на входе аудио и видео, может fact-check через поиск и генерирует до 4K. Если тебе нужна модель для рассуждений о сложной сцене или сохранения непрерывности в длинном диалоге, вот где она вырывается вперёд.

Krea 2 построена вокруг исследования, а не исполнения. Справочники стилей, мудборды, ползунки интенсивности и сложности, LoRA. Она подходит для поиска внешнего вида среди серии больше, чем для выполнения фиксированного бриефа.

Ничто из этого не является рейтингом. Это четыре разные формы работы, и выбор только по месту на лидерборде — вот как команды оказываются с неправильным инструментом.

Что мы ещё не знаем

Стоит сказать прямо, потому что много комментариев угадывают.

xAI описала старую модель Aurora как авторегрессивную модель генерации изображений^[5]. Для Grok Imagine 2.0 архитектура, количество параметров, метод обучения и любая структура MoE просто не опубликованы. Утверждения, что это «тот же авторегрессивный MoE, что Aurora» или что используется какой-то DiT или VAE, — это умозаключение, выданное за факт.

С ценами та же история. Ничего не опубликовано ни для модели, ни для предстоящего API. Любой, кто сегодня цитирует цену за одно изображение Grok Imagine 2.0, её выдумал. Потолки разрешения выхода и лимиты частоты запросов тоже не раскрыты.

Выбор модели на этот месяц

Если тебе нужна модель изображений в боевом использовании прямо сейчас, GPT Image 2 — это та, у которой есть эндпоинт, и она первая на обоих рейтингах, против которых она измерялась. Это лёгкое решение, и никакое изменение предварительного Elo это не меняет.

Если твоя работа похожа на цикл — генерируешь, редактируешь один регион, держишь объект консистентным в наборе, потом толкаешь лучший кадр в короткий клип, то решение Grok Imagine 2.0 vs GPT Image 2 перестаёт быть вопросом качества и становится вопросом рабочего процесса. Практичный ход — строить против общего эндпоинта изображений прямо сейчас с моделью, которая работает, потом поменять id модели, когда Grok Imagine 2.0 откроется. На reAPI это одна строка изменений вместо миграции, и тот же API ключ уже работает со всеми моделями на платформе.

Что редактирование меняет на практике

Большинство API изображений рассматривают редактирование как второй эндпоинт, который просто принимает изображение. Grok Imagine 2.0 рассматривает его как ту же систему, которая генерировала кадр, и это различие проявляется в режимах отказа, а не в демо.

Возьми фотографию товара, где этикетка написана неправильно. На модели только для генерации ты переписываешь промпт и снова крутишь, освещение сдвигается, тень движется, отражение меняется, и теперь ты сравниваешь два изображения, которые отличаются пятью способами вместо одного. С редактированием по регионам ты указываешь на этикетку. Всё остальное — байт в байт то, что ты уже одобрил.

Та же логика покрывает серию. Дай Grok Imagine 2.0 справочник персонажа, справочник локации и справочник гардероба как отдельные входы, и ты можешь пустить один и тот же объект через утро, день и интерьер без сноса лица между кадрами. Одно референсное изображение, несущее всё это сразу, — вот где консистентность обычно ломается.

Удаление фона подходит под тот же рабочий процесс. Экспорт объекта на прозрачность — не звёздная функция, но это шаг, который решает, идёт ли результат прямо в макет или нужен раунд через маски-инструмент.

Ничто из этого не делает Grok Imagine 2.0 лучше GPT Image 2 в чистом следовании инструкциям. Числа Arena говорят иначе, и предварительно или нет, они указывают в одном направлении. Что это меняет, так это сколько генераций ты сжигаешь, чтобы перейти от приличного кадра к готовому активу, и эта стоимость никогда не появляется на лидерборде.

References

1. xAI. Imagine Image 2.0. Retrieved August 2026 from x.ai/news/grok-imagine-image-2
2. xAI. Grok Imagine Quality Mode API. Retrieved August 2026 from x.ai/news/grok-imagine-quality-mode
3. OpenAI. Image generation guide. Retrieved August 2026 from platform.openai.com/docs/guides/image-generation
4. xAI. Grok Imagine Video 1.5. Retrieved August 2026 from x.ai/news/grok-imagine-video-1-5
5. xAI. Grok Imagine API. Retrieved August 2026 from x.ai/news/grok-imagine-api

Further reading

• reapi.ai/models/grok-imagine-image-2-0 — capabilities, comparison table and launch pricing for Grok Imagine 2.0
• reapi.ai/models/gpt-image-2 — the model you can call today
• reapi.ai/blog/grok-imagine-video-1-5-api — pricing and limits on the video side