Grok 图像生成与多模态功能评测
发布时间：2026 年 9 月 20 日
Grok 的多模态分三层：聊天模型（如 4.6）接受图像输入做理解；Grok Imagine 负责文生图、图生视频；Voice 走语音端点。2026 年文档里 Imagine 1.5 支持文生视频、图生视频和参考图，视频侧有 1080p 档。评测要分别打分：看图答题准确率、生成图的文字拼写、视频一致性和审核拒答。不要用聊天旗舰硬扛出视频。标题、H1 和本段回答：该调用哪条 API、怎样测才不混在一起。
-
Grok 4.x 图像输入
理解
-
Imagine
生成
-
Imagine 1.5
视频
拆问：X 里能否直接出图、商用版权、会不会记住人脸。分节说明。
把截图丢进 grok.com 或 API 的图像输入，问界面上的按钮和表格。检查它是否读对数字，而不是只形容配色。
出图和视频#
Imagine 有独立模态和计费。文生视频往往先出图再动画。需要品牌一致时用参考图 ID，不要把整段聊天当素材库。
评测表#
- 理解：票据、UI 截图、图表读数。
- 生成：中文文字、人手、品牌色。
- 视频：主体稳定性、1080p 是否真的到位。
- 安全：名人与未成年人相关请求的拒绝是否干净。
- 理解 ≠ 生成，端点分开。
- 视频有自己的模型 ID。
- 版权与拒答写进验收，不写进安利文案。
