Grok Imagine Image 2.0: drugie miejsce za GPT Image 2

xAI wprowadziło Grok Imagine Image 2.0, nowy model do generowania i edycji obrazów, który od razu znalazł się tuż za GPT Image 2 w dwóch rankingach Arena. W kategorii text-to-image uzyskał 1320 punktów, a w edycji pojedynczego obrazu 1439 punktów. To mocny debiut, choć oba rezultaty są jeszcze wstępne i opierają się na znacznie mniejszej liczbie ocen niż wynik lidera.

Premiera nie sprowadza się jednak do poprawy jakości generowanych ilustracji. Imagine Image 2.0 ma być narzędziem do rzeczywistej pracy: pozwala zaznaczać fragmenty obrazu, usuwać tło, łączyć do pięciu materiałów referencyjnych oraz zmieniać proporcje bez prostego przycinania kadru.

Grok Imagine Image 2.0 w skrócie

• Premiera: 7 sierpnia 2026 r.
• Generowanie obrazów: 2. miejsce w Text-to-Image Arena, 1320 ±12 punktów.
• Edycja obrazów: 2. miejsce w Image Edit Arena, 1439 ±8 punktów.
• Dostępność: Grok.com oraz aplikacje na iOS i Androida.
• API: zapowiedziane, lecz jeszcze niedostępne.
• Licencja: model własnościowy; xAI nie udostępniło wag ani szczegółów treningu.

Model do tworzenia grafik, a nie tylko efektownych demonstracji

W oficjalnym komunikacie producent podkreśla zastosowania projektowe. Imagine Image 2.0 ma dokładniej wykonywać wieloelementowe instrukcje, planować typografię i układ oraz zachowywać drobny tekst w czytelnej formie. xAI deklaruje też większą spójność elementów między kolejnymi generacjami i edycjami.

Te deklaracje są istotne, ponieważ typografia i kontrola układu nadal należą do najtrudniejszych problemów generatorów obrazów. Model może stworzyć atrakcyjną ilustrację, a jednocześnie pomylić litery, przesunąć elementy albo niepotrzebnie zmienić twarz podczas drobnej edycji. Imagine Image 2.0 próbuje rozwiązać właśnie ten praktyczny problem.

Producent pokazuje zastosowania obejmujące infografiki, reklamy, makiety interfejsów, storyboardy, grafiki produktowe oraz zasoby do gier. Nie należy jednak traktować materiałów demonstracyjnych jako niezależnego benchmarku. Są one wybrane przez xAI i pokazują możliwości modelu w kontrolowanych przykładach.

Precyzyjna edycja: różdżka, segmentacja i pięć referencji

Najważniejszą zmianą jest potraktowanie edycji jako podstawowej funkcji, a nie dodatku do generatora. Narzędzie Magic Wand pozwala wskazać region obrazu i zmienić tylko ten fragment. Segmentacja ma umożliwiać dokładniejsze wybieranie obiektów, a funkcja usuwania tła eksportuje wybrany element z przezroczystością.

Model przyjmuje również do pięciu obrazów referencyjnych w pojedynczej generacji. Może to ograniczyć ręczne składanie materiałów, gdy projektant chce połączyć produkt, postać, styl i otoczenie pochodzące z różnych źródeł. Dla profesjonalnych zastosowań ważniejsze od jednorazowego efektu jest to, czy nieoznaczone części obrazu faktycznie pozostają bez zmian. Tego oficjalna prezentacja nie mierzy liczbowo.

Smart Resize wypełnia nowy kadr po wybraniu proporcji, zamiast jedynie przycinać oryginał. Na stronie premiery dostępne są formaty od pionowego 1:2 i 9:16, przez kwadrat 1:1, aż po panoramiczne 16:9 i 2:1. To funkcja przydatna przy przygotowywaniu wariantów tej samej kreacji do serwisów społecznościowych, reklam i stron internetowych.

Drugie miejsce w dwóch rankingach Arena

Najmocniejszym niezależnym sygnałem jakości są bieżące wyniki Arena. Platforma zestawia anonimowo dwa modele, a użytkownik wybiera lepszy rezultat. Głosy są agregowane przy użyciu modelu statystycznego Bradley–Terry. Dzięki temu ranking mierzy preferencje ludzi w bezpośrednich porównaniach, a nie wynik na zamkniętym zestawie testowym.

W generowaniu z tekstu Imagine Image 2.0 zdobył 1320 ±12 punktów. Surowa pozycja to 2. miejsce, ale przedział pozycji wynosi 2–3. Oznacza to, że przy obecnej niepewności statystycznej wynik nakłada się z zajmującym 3. miejsce Reve 2.1. W edycji obrazów przedział Groka wynosi 2–2, więc drugie miejsce jest na tej tablicy wyraźniejsze.

W obu przypadkach prowadzi GPT Image 2. Różnica wynosi 60 punktów w generowaniu oraz 24 punkty w edycji. Nie wolno jednak porównywać samych różnic bez uwzględnienia przedziałów ufności i liczby ocen. Imagine Image 2.0 zebrał odpowiednio 2722 i 5931 głosów, podczas gdy lider ma ich dziesiątki lub setki tysięcy. Arena oznacza oba wyniki Groka jako preliminary, więc pozycje mogą się jeszcze zmienić.

Na tablicach występuje też ważna niejasność nazewnicza. Oceniony wariant nosi nazwę grok-imagine-image-2.0 (low), natomiast produkt jest udostępniany użytkownikom jako nowy Quality Mode. xAI nie wyjaśniło jeszcze publicznie, jak dokładnie wariant z Arena odpowiada ustawieniu w aplikacji ani przyszłemu identyfikatorowi modelu API.

Duży skok względem poprzedniej wersji Grok Imagine

Bieżące tablice Arena pozwalają ostrożnie porównać nowy model ze starszym wariantem grok-imagine-image-quality. W Text-to-Image starszy model ma 1228 ±4 punkty i zajmuje 14. miejsce, podczas gdy Image 2.0 osiąga 1320 ±12 punktów i pozycję 2. Różnica wynosi 92 punkty. W Image Edit wcześniejszy wariant uzyskuje 1390 ±6 punktów oraz 7. miejsce, a nowy model 1439 ±8 punktów i 2. miejsce — o 49 punktów więcej.

To porównanie sugeruje realną poprawę preferencji użytkowników, ale nie jest laboratoryjnym testem wersja przeciwko wersji. Modele zebrały różną liczbę głosów, a rozkład zadań w Arena zmienia się w czasie. Nowy wariant ma również oznaczenie „low”, którego producent jeszcze nie opisał. Najbezpieczniej interpretować dane jako sygnał dużego postępu, a nie precyzyjny procent poprawy jakości.

Jak może wyglądać praktyczny workflow

Najciekawszy scenariusz nie kończy się na pojedynczym poleceniu tekstowym. Projektant może zacząć od kilku referencji, wygenerować główną kompozycję, zaznaczyć nieudany produkt lub fragment stroju, poprawić tylko ten obszar, a następnie przygotować wersje pionowe, kwadratowe i panoramiczne. Usunięcie tła pozwala przenieść wybrany element do składu w innym programie.

Taki ciąg operacji ma większą wartość biznesową niż samo tworzenie efektownych obrazów. Reklama, karta produktu czy storyboard wymagają wielu iteracji, zachowania ustalonego stylu i przygotowania kilku formatów. Jeśli Image 2.0 rzeczywiście ogranicza niepożądane zmiany poza zaznaczonym obszarem, może skrócić pracę, którą obecnie wykonuje się przez ponowne generowanie całej sceny albo ręczne łączenie warstw. Oficjalny komunikat nie podaje jednak wskaźnika skuteczności takich edycji, dlatego tę obietnicę trzeba jeszcze sprawdzić w powtarzalnych testach.

Trzy obrazy z naszego testu Grok Imagine Image 2.0

Sprawdziliśmy tryb Quality bezpośrednio w Grok.com. Pierwsze polecenie miało przetestować fotorealizm, zgodność sceny z instrukcją i najczęstszy słaby punkt generatorów — dłonie. Grok zwrócił dwa warianty dla tego samego promptu.

Test 1: fotorealizm, dłonie i rekwizyty

Prompt: Fotorealistyczne zdjęcie młodej projektantki pracującej w niewielkim studiu graficznym w Warszawie. Siedzi przy drewnianym biurku i rysuje rysikiem na tablecie. Jedna dłoń trzyma rysik, druga leży naturalnie na klawiaturze. Na biurku stoją kubek, aparat fotograficzny i zamknięty notes. Miękkie światło późnego popołudnia, naturalna skóra, realistyczne dłonie, subtelne niedoskonałości, obiektyw 50 mm, płytka głębia ostrości. Bez napisów, logotypów i dodatkowych osób. Format 16:9.

Oba obrazy zachowują najważniejsze elementy instrukcji: jedną osobę, tablet i rysik, klawiaturę, aparat, kubek oraz zamknięty notes. Dłonie wyglądają przekonująco, światło jest spójne, a tło ma naturalną głębię. Brakuje natomiast wizualnego szczegółu, który jednoznacznie osadzałby studio w Warszawie – rezultat jest wiarygodny, ale geograficznie neutralny. Model nie dodał napisów ani przypadkowych logotypów.

Test 2: polski tekst na plakacie

Prompt: Nowoczesny plakat wydarzenia technologicznego. Duży, idealnie czytelny nagłówek zapisany dokładnie: „SZTUCZNA INTELIGENCJA PO POLSKU”. Poniżej mniejszy tekst: „Warszawa — 18 września 2026”. Na dole: „Wiedza • Praktyka • Przyszłość”. Minimalistyczny układ, mocna hierarchia typograficzna, kremowe tło, czarne litery i jeden pomarańczowy akcent. Wszystkie polskie znaki muszą być poprawne. Nie dodawaj żadnych innych słów, liter ani logotypów. Format pionowy 4:5.

W testowanym interfejsie nie było proporcji 4:5, dlatego przed generowaniem wybraliśmy najbliższy dostępny format 2:3. Sam tekst został odtworzony poprawnie: nagłówek, data oraz hasło w stopce są kompletne, polskie znaki zachowano, a model nie dopisał obcych słów ani logotypów. To szczególnie dobry wynik dla daty „18 września 2026” i słowa „Przyszłość”, które wymagają poprawnych znaków diakrytycznych. Trzy przykłady są ilustracją możliwości, a nie pełnym benchmarkiem jakości.

Dostępność, API i cena

Imagine Image 2.0 jest dostępny w serwisie Grok.com oraz aplikacjach na iOS i Androida. Producent przygotował też bibliotekę szablonów do retuszu zdjęć, zmiany kolorów produktów, tworzenia portretów biznesowych, ikon, emotikonów, grafik e-commerce i zasobów do gier.

W komunikacie o premierze xAI pisze, że dostęp do Image 2.0 przez API pojawi się później. Na 9 sierpnia 2026 r. producent nie podał osobnego identyfikatora modelu ani ceny przypisanej wprost do Imagine Image 2.0.

Istnieje jednak publiczny cennik wcześniejszych modeli Grok Imagine dostępnych przez API. Trzeba traktować go jako punkt odniesienia, a nie potwierdzoną cenę Image 2.0:

Przy generowaniu wyłącznie z tekstu płaci się za każdy obraz wynikowy. Opłata za obraz wejściowy dochodzi przy edycji lub generowaniu z referencją. Dokumentacja modelu grok-imagine-image wskazuje alias datowany na 2 marca 2026 r., a więc sprzed premiery Image 2.0. xAI nie potwierdziło, że którykolwiek z dwóch powyższych identyfikatorów obsługuje nowy model. Dlatego dokładny koszt API Imagine Image 2.0 pozostaje nieznany do czasu aktualizacji karty modelu lub publikacji nowego identyfikatora.

Osoby porównujące narzędzia mogą zestawić premierę z naszym aktualizowanym rankingiem generatorów grafiki AI oraz opisem Nano Banana 2 od Google. Szerszy kontekst rozwoju modeli firmy xAI przedstawia również artykuł o Grok 4.5.

Czego xAI jeszcze nie ujawniło

Komunikat nie zawiera raportu technicznego. Nie znamy architektury modelu, liczby parametrów, składu danych treningowych, etapów post-treningu, infrastruktury ani kosztu uczenia. Producent nie podał również własnych wyników na szerszym zestawie benchmarków, które pozwoliłyby oddzielnie ocenić wykonywanie instrukcji, poprawność tekstu, zachowanie tożsamości postaci i lokalność edycji.

Model jest usługą własnościową. Udostępnienie go w aplikacji nie oznacza otwartych wag, kodu ani danych. Dla firm ważnymi znakami zapytania pozostają warunki API, prywatność materiałów referencyjnych, limity użycia oraz zasady komercyjnego wykorzystania wyników.

Czy Imagine Image 2.0 zmienia układ sił?

Na razie można powiedzieć, że xAI dołączyło do ścisłej czołówki generatorów i edytorów obrazów ocenianych przez użytkowników Arena. Szczególnie interesujący jest wynik edycji, gdzie model zajmuje samodzielne 2. miejsce i zbliża się do GPT Image 2 bardziej niż w generowaniu od zera.

Ostateczna ocena wymaga jednak większej liczby głosów oraz dostępu do API, który pozwoli powtarzalnie testować koszty, szybkość, typografię, spójność i precyzję zmian. Najważniejsze pytanie nie brzmi więc, czy model potrafi stworzyć efektowną grafikę, lecz czy potrafi zachować kontrolę w dłuższym procesie projektowym. Imagine Image 2.0 wygląda pod tym względem obiecująco, ale jego pozycja w rankingu nadal może się ustabilizować inaczej niż w pierwszych dniach po premierze.

Stan danych: 9 sierpnia 2026 r.