Grok Imagine 2.0 vs GPT Image 2：性能与 API

xAI 于 2026 年 8 月 7 日发布了 Imagine Image 2.0，根据其引用的 Arena 榜单，这个模型在文生图和图像编辑两个排行榜上都排名第二。第一名同样在两个榜单上被 OpenAI 的 GPT Image 2 占据^[1]。这是新闻头条，也比表面看起来更有意思，因为在 Grok Imagine 2.0 vs GPT Image 2 的对比中，差距的真正所在往往不是大多数人以为的那样。

如果你在考虑用 Grok Imagine 2.0 还是 GPT Image 2 来构建产品，排名本身是页面上最没用的数字。真正重要的是，其中一个今天就能通过 API 调用，另一个则不行；而且这两个模型针对同一工作的不同部分进行了优化。

Grok Imagine 2.0 的 Arena 评分真正说明了什么

在 xAI 公告当天引用的排行榜上，Grok Imagine 2.0 在文生图获得了 1320（±12）分，在图像编辑获得了 1439（±8）分^[1]。前一代 Grok Imagine Quality 在同一现行榜单上分别为 1228 和 1390 分。

这相当于生成环节提升约 92 Elo，编辑环节提升 49 Elo。这不是舍入误差，也不是"皮肤看起来稍微好一点"。这么大的跳跃通常意味着模型改变了它处理指令的方式，而不仅仅是像素渲染的效果。

但有一个需要说明的地方。Grok Imagine 2.0 的分数仍然带着"初步"标签，因为投票数较少。"强劲的早期表现"才是诚实的解读。"世界上第二好的图像模型，已尘埃落定"不是，至少目前还不是。任何这个月写出的 Grok Imagine 2.0 vs GPT Image 2 的定论，定义上都是暂定的。

容易绊住人的部分

Grok Imagine 2.0 目前没有公开 API。xAI 的公告以"API 接入即将到来"结尾，就到此为止了^[1]。没有端点、没有参数参考、没有日期。

与此同时，API 上确实存在一个 Grok 图像模型，但不是这一个。grok-imagine-image-quality 自 2026 年 5 月以来就可以调用了^[2]。它是上一代版本，也就是上表中 1228/1390 这一行。如果这周你在期待 Grok Imagine 2.0 的行为而接入集成，你会得到 Quality 的行为，然后花一个下午时间搞清为什么编辑功能比演示中更弱。

相比之下，GPT Image 2 现在就能调用。所以接下来几周的实际问题不是哪个模型更好。而是哪个模型你实际上能调用。

Grok Imagine 2.0 真正更强的地方

这两个模型并不是在争夺管道中的同一个位置。

GPT Image 2 在单次正确性上赢了。复杂指令遵循、文字渲染、主体保持、以及更少的无效重试。通过 Responses API，你可以保持对话进行，对其进行高保真编辑^[3]。如果你的工作流是"得到一张完全正确的图像，然后精确地修改它"，那它就是更强的工具，其 Arena 排名印证了这一点。

Grok Imagine 2.0 在循环中赢了。Grok Imagine 2.0 的编辑模型才是有意思的一半：一个魔法棒，只改变你指向的区域、用于精确区域的分割、会把主体导出成透明背景的背景移除，以及接受单次生成中最多五个输入的多参考编辑。

最后这个能力被低估了。与其每次加载一个参考图像来承载角色、服装、位置、光线和整体外观，你可以把它们分散在五个输入中，精确控制每个要素从哪里继承。

更早的失败模式就是这个解决的。你生成了一个好镜头，一只手出了问题，你重新生成来修复它，结果脸、身体、光线和构图全都漂移了。区域范围的编辑意味着你已经签字批准的部分在修复时保持不变。实际上这把图像生成变成了更接近带有修饰遍历的摄影棚工作，而不是拉老虎机把手直到整个镜头落位。

智能调整大小属于同一范畴。九个已发布的宽高比从 1:2 到 2:1 不等，与其裁剪现有构图，模型用你选择的宽高比填充画框。一张 2:3 纵向肖像变成 9:16 竖屏，却不失原本超出新裁剪区的内容。

没人算的视频相邻关系

GPT Image 2 不输出视频。Grok Imagine 可以，两个部分被设计为相互交接。这个相邻关系在 Grok Imagine 2.0 vs GPT Image 2 的功能表中很少出现，对某些团队来说，它决定了整个问题。

Video 1.5 涵盖文生视频、图生视频、最多七张图片的参考转视频、原生 1080p、最长 15 秒的片段，以及在同一遍中生成的音频。一个 6 秒、720p 的 Fast 生成从超过 40 秒降到大约 25 秒^[4]。在图生视频 Arena 榜单上，截至 2026 年 8 月 2 日排名第三，在误差条重叠的最高组内。

对于静止图像，几秒钟的运动通常就够了。一个视线转移。随呼吸上升的肩膀。风中飘动的头发。一个缓慢推进。如果你的输出最后落在社交媒体上，从图像到短片的这个交接比排行榜上 90 Elo 的差异更值钱。

这怎样与 Gemini 和 Krea 相配

四个模型，四种不同的工作：

模型	最擅长的地方
GPT Image 2	按指示精确得到一张图像，然后精确编辑它
Gemini / Nano Banana 2	世界知识、长上下文、对话式多模态编辑
Krea 2	探索审美方向而不是钉死一个正确答案
Grok Imagine 2.0	在一个循环中快速生成、区域修复和动画化

Gemini 3.1 Flash Image 接受音频和视频作为输入，可以通过搜索进行事实检查，生成最高 4K。如果你需要一个模型来推理复杂场景或在长对话中保持连贯性，这就是它拉开差距的地方。

Krea 2 围绕探索而非执行构建。风格参考、情绪板、强度和复杂性滑块、LoRA。它更适合在一系列图像中探索外观，而不是执行固定的简报。

这些都不是排名。这是四种不同形状的工作，仅按排行榜位置挑选是团队最后拿到错误工具的方式。

我们还不知道什么

值得明确说出来，因为很多报道是在猜测。

xAI 把更早期的 Aurora 模型描述为自回归图像生成模型^[5]。对于 Grok Imagine 2.0，架构、参数数量、训练方法以及任何 MoE 结构根本就没有发表。声称它"与 Aurora 一样是自回归 MoE"，或者它使用特定 DiT 或 VAE 的说法，都是披着事实外衣的推理。

价格也是同样的故事。对模型或即将到来的 API 都没有发布任何东西。今天引用 Grok Imagine 2.0 按图像计价的任何人都是凭空编造的。输出分辨率上限和速率限制同样未公开。

为这个月选择一个模型

如果你现在就需要生产中的图像模型，GPT Image 2 是有端点的那个，在它被测量的两个榜单上都排名第一。这个决定很容易，没有任何数量的初步 Elo 变化会改变它。

如果你的工作看起来像这样一个循环：生成、修复一个区域、保持主体一致，然后把最好的镜头推进一个短片段，那么 Grok Imagine 2.0 vs GPT Image 2 的决定就不再是质量问题，而是工作流问题。实际的办法是用一个今天发布的模型对着一个共享图像端点构建，然后当 Grok Imagine 2.0 开放时交换模型 id。在 reAPI 上这是单行改动而不是迁移，同一个 API key 已经对平台上的每个模型都有效。

编辑模型在实际中改变了什么

大多数图像 API 把编辑作为第二个端点，碰巧接受一张图像。Grok Imagine 2.0 把它当作生成这个镜头的同一系统，这个差异在失败模式中体现出来，而不是在演示中。

以一个标签读错了的产品拍摄为例。在仅生成模型上你重写提示词并重新执行，光线移动、阴影移动、反射改变，现在你在比较五个方式有差异的两张图像。用区域范围的编辑你指向标签。其他所有东西都是字对字地是你已经签字批准的。

同样的逻辑覆盖了一个系列。给 Grok Imagine 2.0 一个角色参考、一个位置参考和一个服装参考作为单独输入，你可以通过早上、下午和室内设置运行同一主体而不用担心脸在镜头间漂移。一个参考图像一次承载所有的地方就是一致性通常打破的地方。

背景移除符合同样的工作流。在透明背景上导出主体不是头条功能，但这是决定输出是直接进入布局还是需要先往过面罩工具一个往返的步骤。

这都不是说 Grok Imagine 2.0 在原始指令遵循上是比 GPT Image 2 更好的模型。Arena 数字说了反话，初步或不初步，它们指的是同一方向。它改变的是你烧掉多少生成从一个尚可镜头到一个成品资产，而这个成本从来没有在排行榜上出现过。

参考文献

xAI. Imagine Image 2.0. 检索于 2026 年 8 月，来自 x.ai/news/grok-imagine-image-2
xAI. Grok Imagine Quality Mode API. 检索于 2026 年 8 月，来自 x.ai/news/grok-imagine-quality-mode
OpenAI. Image generation guide. 检索于 2026 年 8 月，来自 platform.openai.com/docs/guides/image-generation
xAI. Grok Imagine Video 1.5. 检索于 2026 年 8 月，来自 x.ai/news/grok-imagine-video-1-5
xAI. Grok Imagine API. 检索于 2026 年 8 月，来自 x.ai/news/grok-imagine-api