Test Grok Imagine Video: co pokazało 13 klipów Quasa.io

Próba opisana przez Quasa.io sugeruje, że bazowy Grok Imagine Video może tworzyć przydatne krótkie ujęcia nastrojowe, animować pojedynczy obraz i wygenerować krótką wypowiedź lub duży nagłówek. W tych samych 13 klipach gorzej wypadało precyzyjne układanie kolejnych ujęć i pilnowanie drobnych szczegółów. Podany rachunek za test wyniósł 3,02 USD za wideo i 0,006 USD za dwa obrazy wejściowe; xAI publikuje osobny cennik bezpośredniego API.

Co obejmowała próba Quasa.io

W artykule opublikowanym 2 listopada 2026 r. Quasa.io opisało 13 klipów w dziewięciu kategoriach, wygenerowanych modelem bazowym grok-imagine-video na potrzeby fikcyjnego biuletynu technologicznego. Wszystkie 13 klipów ukończyło się przy pierwszej próbie. Test obejmował między innymi ujęcia serwerowni, animację obrazu, krótką sekwencję kilku scen, prezentera oraz tekst w kadrze.

Według dokumentacji wideo xAI model bazowy obsługuje generowanie z tekstu i obrazu, a także edycję i przedłużanie wideo. Dokumentacja podaje rozdzielczości 480p i 720p oraz długość od 1 do 15 sekund dla modelu ogólnie. Dla trybu z obrazami referencyjnymi xAI wymienia osobne ograniczenia: do siedmiu obrazów, maksymalnie 10 sekund i 720p. Wyniki Quasa.io dotyczą modelu bazowego.

Krótkie ujęcia są łatwiejsze niż dokładna reżyseria

W próbie Quasa.io krótkie klipy sprawdzały się jako materiał tła, czyli ujęcia ilustrujące temat bez konieczności opowiadania całej sceny. Jednak kontrola nad kolejnością zdarzeń była mniej pewna. W 12-sekundowym klipie z trzema zaplanowanymi ujęciami pierwsze dwa połączyły się w jeden ruch, a końcowe przejście było przenikaniem zamiast twardego cięcia. Renderowanie trwało 169 sekund.

W osobnym, pięciosekundowym teście siedmiu instrukcji Quasa.io odnotowało pięć wyraźnych trafień, jedno częściowe i jedno niepowodzenie. Model prawidłowo rozpoznał i policzył obiekty, ale umieścił czerwoną kulę między kostkami zamiast po ich lewej stronie. Zmienił też lampę, zanim zakończył się opisany ruch.

Podobne rozbieżności pojawiły się w scenach z fizycznymi działaniami. W klipie z nalewaniem szklanka kończyła się zapełniona w około 85 procentach, mimo że obok pojawiła się kałuża. W scenie z dronem liczba kartek zmieniała się w trakcie, a liście rośliny nie poruszyły się zgodnie z poleceniem. To przykłady z próby Quasa.io, nie pomiar ogólnej skuteczności modelu.

Quasa.io podało medianę renderowania wynoszącą 54 sekundy; osiem z 13 zadań ukończyło się w 54–56 sekund. W porównaniu tej samej sceny serwerowni render 720p trwał 76 sekund, a 480p 54 sekundy. W jednej z czterech klipów serwerowni w 720p kamera wykonała żądany skręt w lewo, czego nie zrobiły trzy pozostałe. To pojedynczy wynik w tej próbce, nie gwarancja, że wyższa rozdzielczość poprawi sterowanie ruchem.

Obraz referencyjny, głos i tekst

Quasa.io opisało jedną udaną animację fikcyjnego telefonu z nieruchomego obrazu: widoczny tył urządzenia i jego wygrawerowana nazwa pozostały rozpoznawalne, ale model wymyślił niewidoczny wcześniej ekran. Przy drugiej referencji przeniósł nie tylko styl, lecz także elementy otoczenia; zielony kolor telefonu przesunął się w stronę mięty.

W sześci sekundach klipu z prezenterem wynik kontroli zamiany mowy na tekst odpowiadał żądanemu skryptowi, a autorzy testu ocenili ruch ust jako zsynchronizowany przy normalnym odtwarzaniu. Duży nagłówek w jednej próbce także został wyrenderowany poprawnie. Drobne napisy na klawiaturze były natomiast błędne lub przesunięte. Quasa.io opisało też niezamówione, owocowe oznaczenia na laptopach w więcej niż jednym teście.

W praktyce próbka daje lepsze podstawy do oczekiwania krótkiego, nastrojowego ujęcia niż do polegania na dokładnej choreografii, małym tekście czy detalach produktu. Przy materiale wymagającym precyzyjnych cięć i zgodności z projektem każdą wygenerowaną scenę trzeba ocenić pod kątem tych konkretnych elementów.

Rachunek z testu a bezpośrednie stawki xAI

Quasa.io podało stawki rozliczone w swojej próbie: 0,036 USD za sekundę przy 480p, 0,0504 USD za sekundę przy 720p oraz 0,0014 USD za obraz referencyjny. xAI publikuje odrębne stawki bezpośredniego API dla modelu bazowego. Cennik w USD, ostatnio zaktualizowany 10 października 2026 r., podaje 0,05 USD/s dla 480p, 0,07 USD/s dla 720p i 0,002 USD za obraz wejściowy (cennik API xAI).

Przy stawkach xAI pięciosekundowy klip 480p kosztuje 0,25 USD, a 15-sekundowy klip 720p kosztuje 1,05 USD, bez opłaty za obraz wejściowy. Są to wyliczenia z opublikowanego cennika bezpośredniego API. Kwota 3,02 USD za 13 klipów i 0,006 USD za dwa obrazy to rachunek podany przez Quasa.io za opisaną próbę.

Ocena: do krótkich ujęć, z kontrolą nad szczegółami

Opisane wyniki czynią bazowy Grok Imagine Video interesującym narzędziem do tworzenia krótkich ujęć tła, animowania obrazu i przygotowania prostych elementów z głosem lub dużym tekstem. Gdy liczą się dokładna kolejność zdarzeń, fizyczna spójność, małe napisy albo wierne oznaczenia urządzenia, właśnie te fragmenty wymagają szczególnej kontroli w gotowym klipie.