新智元報(bào)道

編輯：元宇

【新智元導(dǎo)讀】馬斯克親自站臺，grok-image-video-720p在46萬次盲測投票中加冕第一，這款xAI「壓箱底」的視頻模型，不僅在基準(zhǔn)測試上超過了谷歌Veo 3.1 Fast，使用成本也更低。

剛剛，AI視頻領(lǐng)域又迎來洗牌！

xAI的Grok圖像轉(zhuǎn)視頻模型（grok-image-video-720p）登頂「Image-to-Video Arena」排行榜，以1404分的超高ELO評分力壓群雄，位居第一。

馬斯克親自發(fā)帖為自家Grok Image模型站臺，稱它每周都在迭代優(yōu)化。

這次，xAI真是拿出了「壓箱底」的東西，他們將Grok Imagine稱作為自己目前最強(qiáng)悍的「視頻+音頻」生成模型。

無論是想讓一張靜態(tài)梗圖「活」過來，還是憑空用一句話變出大片，甚至是對復(fù)雜的電影級鏡頭進(jìn)行精細(xì)打磨，它都能輕松搞定。

X平臺上，網(wǎng)友用Grok制作的視頻已經(jīng)迅速刷屏，涵蓋電影特效、動畫制作、日常生活等種種場景。

從一些基準(zhǔn)測試上來看，Grok-imagine-video-720p不僅擊敗了谷歌強(qiáng)大的Veo模型，而且生成成本也更低。

有網(wǎng)友驚呼，這不僅是AI視頻工具的一次進(jìn)化，更可能直接推動該領(lǐng)域重新「排座次」。

還有網(wǎng)友猜想，Grok的強(qiáng)勢出擊，或?qū)⑾破鹦乱惠喩墒揭曨l技術(shù)的軍備競賽。

揭秘Grok Imagine

能干活、成本低的多模態(tài)六邊形戰(zhàn)士

Grok Imagine是xAI傾力打造的視頻-音頻生成模型，該模型的最新版本Grok Imagine 1.0于2026年2月初發(fā)布。

支持生成10秒長的720p高清視頻，并在運(yùn)動平滑度、原生音頻質(zhì)量（如情感表達(dá)的聲音）以及提示詞遵循能力上均實(shí)現(xiàn)了跨越式升級。

相比較2025年10月發(fā)布的Imagine v0.9版本，它將核心聚焦于視覺質(zhì)量、多模態(tài)能力，成本和延遲的平衡，真正做到了支持端到端的創(chuàng)意工作流。

用戶可以通過文本描述或上傳圖像來動畫化內(nèi)容，還支持后續(xù)指令微調(diào)場景。

具體而言，Grok Imagine展現(xiàn)了三大核心「殺手锏」：

視頻生成與指令遵循能力

Grok Imagine的視頻生成能力，主要用來從零開始創(chuàng)建短視頻（通常10-15秒長，支持480p或720p分辨率）。

它能處理多種輸入方式，比如直接用文字描述場景、動作、燈光和心情來生成視頻，或者上傳一張靜態(tài)圖片，讓AI給它「加戲」變成動態(tài)視頻。

在視頻生成方面，Grok Imagine擁有業(yè)界領(lǐng)先的指令遵循能力。你給出的指令再復(fù)雜，它也能精準(zhǔn)理解并執(zhí)行。

零門檻的視頻編輯能力

視頻編輯功能更像是給現(xiàn)有視頻「動手術(shù)」，Grok Imagine可以讓你能輕松修改內(nèi)容，而不用專業(yè)軟件。

它支持重新設(shè)計(jì)場景（比如換背景或風(fēng)格）、添加或刪除物體（例如加個(gè)道具或去掉多余元素）、控制動作（調(diào)整運(yùn)動軌跡、速度或相機(jī)角度）。

操作起來簡單：上傳視頻文件或URL，然后描述你想改啥，比如「把這個(gè)視頻里的車換成飛船，加點(diǎn)爆炸效果」。

AI就會根據(jù)你的指令生成編輯后的版本，還保持原視頻的核心元素。

視頻編輯適合電影剪輯、廣告調(diào)整或內(nèi)容優(yōu)化，編輯后視頻還能帶原生音頻。

更快速度與更低成本的平衡

在性能表現(xiàn)方面，不僅要變強(qiáng)，還要變快。

因?yàn)槿绻伤俣忍?、價(jià)格太貴，大家根本不敢放開手腳去嘗試。

因此xAI團(tuán)隊(duì)專門針對延遲、并發(fā)量和成本進(jìn)行了極限優(yōu)化。

這讓Grok Imagine不僅跑得快，而且用起來更省錢。

它強(qiáng)調(diào)高質(zhì)量、成本和延遲的平衡，支持端到端的創(chuàng)意工作流，包括視頻生成、編輯和音頻同步。

評測霸榜，力壓谷歌

在基準(zhǔn)測試中，Grok Imagine在圖像轉(zhuǎn)視頻領(lǐng)域表現(xiàn)出色，尤其在用戶偏好投票和性價(jià)比上。

在Image-to-Video Arena（arena.ai）排行榜上，Grok-image-video-720p以1404分位居第一（基于46.5萬投票，34個(gè)模型），領(lǐng)先Google Veo-3.1-audio-1080p（1402分）。

https://arena.ai/zh/leaderboard/image-to-video

這是一個(gè)基于用戶盲測投票的平臺，使用Elo評分系統(tǒng)。評測強(qiáng)調(diào)真實(shí)世界視頻質(zhì)量和保真度，而非自動化指標(biāo)。

在另一個(gè)獨(dú)立排行榜Artificial Analysis Image to Video Leaderboard上，Grok以1337 ELO分領(lǐng)先，評估標(biāo)準(zhǔn)包括質(zhì)量、生成速度和價(jià)格。

Grok-image-video在風(fēng)格、主題和格式一致性上得分高，它的API定價(jià)約$4.20/分鐘，低于谷歌Veo 3.1 Fast等競品。

https://artificialanalysis.ai/video/leaderboard/image-to-video

在一些第三方的專業(yè)評測中，Getimg.ai認(rèn)為Grok Imagine最突出的特點(diǎn)是以視頻形式精準(zhǔn)遵循指令，當(dāng)提示詞描述動作、節(jié)奏或轉(zhuǎn)場時(shí)，該模型通常能做出看似經(jīng)過深思熟慮而非偶然的回應(yīng)。

比如，Grok-image-video在原生音頻（唇同步、自然對話）和電影指令遵循（如平移、變焦）上出色。

Grok-image-video的另一個(gè)特色，是它很好地解決了低延時(shí)這一用戶使用痛點(diǎn)。

AI視頻模型在使用場景中，僅靠原始質(zhì)量已不再足夠，往往需要多輪交互，等待結(jié)果的時(shí)間過長會抑制用戶嘗試的意愿，尤其是當(dāng)每次生成都代價(jià)高昂時(shí)。

基準(zhǔn)測試顯示，Grok Imagine在綜合考量質(zhì)量、延遲和成本時(shí)表現(xiàn)出色。

這意味著你可以自由地生成、調(diào)整和重新生成視頻，而不會覺得每次輸入提示都是一種負(fù)擔(dān)。

Lovera Digital將Grok與Google Veo 3比較，發(fā)現(xiàn)Grok易用性高，適合短視頻社交內(nèi)容，但視頻質(zhì)量有時(shí)抖動。

它的最佳用例是快速原型，評分表顯示其在創(chuàng)意短片上競爭力強(qiáng)。

Grok Imagine在第三方評測中被視為高效、音頻強(qiáng)的選手，尤其適合創(chuàng)意和快速生成，但需注意一致性和安全問題。

如果你想親自體驗(yàn)一下Grok Imagine，目前可以通過官網(wǎng)（grok.com/imagine）和APP免費(fèi)試用，或通過API集成（Grok Imagine API）。

參考資料：

https://x.com/elonmusk/status/2026330684630130739%20

https://x.com/teslaownersSV/status/2026322222206648339

https://arena.ai/zh/leaderboard/image-to-video