Grok Imagine Image 2.0徹底解剖 画像生成戦国時代の申し子の実力とは？
最終更新 2026/08/09 (パグの日！！！ パグの日おめでとう🎈🎉)
こんにちは、黒LaTeX……間違えた、黒パグです🐾
すみません。論文を作っていたら予測変換が仕事しました。
今回は、2026年8月7日にxAIが正式発表した「Grok Imagine Image 2.0」を実際に触りながら、どこまで使えるのか試していきます。
公式発表を読んで終わり、ではありません。
実写、日本語、物体数、局所編集、日本のコンビニ、アニメキャラ、衣装の実写化、AIの擬人化、ピクセルアート、そして最後はなぜか幼稚園児向けの極座標ラプラシアンまで作らせました。
同じお題はChatGPT側にも投げました。比較までやります。
この記事、本当に比較画像だらけで長いので最初に要点だけ載せておきます。
先に3行
Grok Imagine Image 2.0、思っていたより強かったです。
私の環境では約25秒で4枚(枚数は選べる。自動→単発→4→8→12)。ここがまず速い。日本語も普通に読めるし、実写も強い。
で、変なところもあります。連続生成では前の画像を引きずる。日本のコンビニは妙に怪しい。幼稚園児向け教材には偏微分をそのまま載せました。
触った感じは、
めちゃくちゃ速い。賢い。たまに「おい」です。
そんな画像ジェネレーターでした
そして同じ画像から何度も消したり書き加えたりレイヤーを自由自在にあやつれる。
そもそもImage 2.0で何が変わったの？
発表を読んだとき、最初に引っかかったのがここでした。
私自身、Grok Imagineは以前から動画制作でも使っています。なので発表を見たとき、正直な第一声は「？？？」でした。
動画を作っていても、急に何かが別物になった感じはしない。
それもそのはずで、今回の主役は動画モデルではなく画像側です。
xAI公式によると、Imagine Image 2.0はgrok.com/imagineとiOS、Androidアプリの新しいQuality Modeとして一般提供されました。単に「綺麗な画像が出ます」という更新ではなさそうです。
細かい指示への追従、タイポグラフィとレイアウト、小さい文字、世代をまたいだ要素保持、そして編集ワークフローです。
Magic Wandによる局所編集、Segmentation、背景除去、最大5枚の入力画像を扱えるMulti-ref editing。比率変更時に周囲を補完するSmart Resize、用途別Templatesもあります。キャラクター、場所、小物を別々に作り、見た目を合わせて動画へ持っていく「Build a world for video」も載っていました。
一発絵だけを競う気ではないんだな、というのは読んでいて伝わりました。制作途中で使わせたいらしい。
公式ページはこちらです。
https://x.ai/news/grok-imagine-image-2
ちなみに公式は、2026年8月7日時点のArena Image Edit / Text-to-Imageを根拠として、Image 2.0が両方で世界2位と説明しています。APIアクセスについては、この記事を書いている時点ではComing soonです。
はい。スペック上は強そうです。
でも画像AIは、公式のサンプルを見るだけだとだいたい全部強そうに見えます。
なので、殴ります。
まずは「限界エンジニア」
最初のお題はこれです。
画像生成テスト
実写のCodexエージェントを使用している限界エンジニア
日本人
後ろ姿
モニターが作業しているのをはっきり
P1
過去はどうだったか
よくわからない漢字によくわからない食べ物など完全にネタ枠だった
雑です。いつものやつ。
細かいカメラ指定もありません。照明もありません。机の種類も指定しません。
「限界エンジニア」をどう絵にするのか。まずそこだけ見ます。
Grok側は、夜のオフィスで複数モニターに囲まれて働いているエンジニアを出してきました。雰囲気としては「まだ戦えている限界エンジニア」です。
GPT側は頭を抱えました。
まさに深夜のあるべき姿！
こういうのは本当にGPTは強い
そしてよく見るとコードもまともに書けている
もうダメそうです。
同じ「限界エンジニア」でも、Grokは仕事をしている人を描き、GPTは仕事によって壊れ始めた人を描いた。
画質の差より、言葉の解釈差が面白い。
そして、この時点でGrok側の特徴が一つ見えました。
とにかく速い。
一枚ではありません。基本的に4候補が一気に出てきます。
この4枚同時が、あとで効いてきます。
複数選択しても生成は爆速
本当に早い……
日本語、壊れる？
次は文字です。
画像生成AIに日本語を食わせると、少し前まではだいたい異世界文字が出てきました。
なので、あえて日本語を複数入れます。
画像生成テスト
実写
深夜の障害対策本部
ホワイトボードに
「最優先：復旧」
「原因調査中」
「次回報告 03:00」
と日本語ではっきり書かれている
疲れた日本人エンジニア3人
モニターには赤い障害アラート
P1インシデント
Grok、普通に書きました。
ポストモーテムならわからなくはない
大体エンジニアはこんなんかやせすぎかどちらか(個人の偏見)
しかも4枚とも読める。
「最優先：復旧」「原因調査中」「次回報告 03:00」。指定文字は崩れませんでした。周辺のUIもそれらしい。
もちろん、画面の奥にある小さいログを拡大すると怪しいところはあります。長文コードや大量のログまで正しいとは言いません。
大きな日本語見出しと短いUI文については、もう「画像AIは日本語が苦手」で片付けにくいです。
GPT側にも同じお題を投げましたが、こちらも指定した3行はほぼ問題なし。
ただし、リアルはもっと悲惨であることは間違いない😔
そしてエナドリではなく水の時点で本当にやばい😰
彼らは2轍している
文字だけなら、ここはほぼ並びました。
違ったのは演出でした。
Grokは、障害対応を説明する広報写真っぽい。
GPTは、障害対応で人間が消耗していくドキュメンタリーっぽい。
私の感覚では、Grokはレイアウトを整えて見せるのがうまく、GPTは状況の意味を絵に落とし込む方向が強い。
で、Grokはここから物量で殴ってきます。
GPTが一枚を作っている間にGrokは4案です。
制作現場では、「最高の一枚」より「使える候補がもう4枚ある」の方が勝つ場面が普通にあります。
3、1、4、2、1。個数地獄
文字が強いなら、次は物体数です。
画像モデルが今でも事故りやすいところです。
画像生成テスト
実写
日本のエンジニアの机
モニターは3台
黒いマグカップは1個
黄色い付箋は4枚
キーボードは2台
中央のモニターだけに「SYSTEM RECOVERED」と表示
人物は1人だけ
夜のオフィス
採点ポイントは単純です。
3、1、4、2、1。
モニター3、マグ1、付箋4、キーボード2、人物1。
わざわざUIでこんなハッピーエンド画面は出さない
(黒パグ環境なので他は知らない)
Grokは4候補を出し、その中にほぼ完全に条件を通すものがありました。
GPT側も一発で綺麗に通しました。優等生。
ただし、真ん中のリカバー表示 ここは個人的にあり得ない。
おそらく演出と思われる
このあたりで、4枚生成をおまけ扱いするのは違うなと思い始めました。
仮に一枚の成功率が100％でなくても、25秒前後で4候補が来て、そのうち2枚が使えるなら制作上は十分強い。
GPTは条件を全部見える位置へ置きます。採点する側にはありがたい。
精度ならGPT、候補数と速度ならGrok。
この辺から「どっちが上？」という単純な話ではなく、設計思想が違う気がしてきます。
今度は「そこだけ」直してもらう
次は編集。Image 2.0が公式でも推しているところです。
公式も、最初の生成が最終成果物になることは少ないという前提でPrecise editingを前面に出しています。
そこで、先ほど作った画像に対してこう指示しました。
右側のモニター表示だけを
「Deployment successful」に変更してください。
それ以外の人物、姿勢、机、照明、カメラ位置、
左側のモニターは一切変更しないでください。
これは良かった。
人物の姿勢、髪、眼鏡、モニターの位置、机、マグ、付箋、夜景、照明を維持しながら、右側のモニターだけを編集しました。
「Deployment successful」も読めます。
頼んでいない文は少し追加しました。そこは仕事を増やすな。
AI、余計な仕事をする。
とはいえ、昔の画像編集でありがちだった、
「右のモニターだけ変えて」
→人物の顔が変わる
→机の形が変わる
→なぜか世界線も変わる
という大事故は、今回ほぼ出ませんでした。
これは普通に使えると思いました。
日本のコンビニを知っていますか
ここから少し意地悪になります。
文字、物体数、編集が強いのはわかった。
では、実世界の文化的な「それっぽさ」はどうでしょう。
画像生成テスト
実写
日本のコンビニで深夜に障害対応しているエンジニア
ノートパソコンには「緊急メンテナンス中」
机には鮭おにぎり、ブラックコーヒー、栄養ドリンク
窓の外は雨
日本のコンビニらしいが実在企業のロゴは使わない
Grokが作ったのは、
コンビニの商品棚を置いた企業の休憩室でした。
惜しい。いや、惜しいのか？
鮭おにぎりはある。
ブラックコーヒーもある。
栄養ドリンクもある。
雨もある。
エンジニアもいる。
「緊急メンテナンス中」も出る。
部品は全部そろっているのに、空間として日本のコンビニではない。
高層オフィスのような大きな窓、会議机、休憩室っぽい導線。日本人なら一瞬で「ここコンビニじゃなくない？」となります。
これは面白い失敗でした。
画像ベンチマークでは拾いにくい、文化と空間の常識です。
GPT側もやりました。
違和感があるのは人間以外のアイテムがフェイスアップされているということ
文字を読ませようと頑張った結果違和感だけが残る。
そしてとってつけたようなエンジニア三点セット
こちらはGrokよりコンビニのイートインには寄ったものの、別の問題が出ました。
作業している本人に対してノートPCの画面がこちら側を向きすぎている。
「緊急メンテナンス中」という文字を読ませたい画像モデルの都合が、人間がノートPCを使う自然な向きに勝っています。
服もなぜか作業着っぽい。
なので、ここは「GPT勝ち」と簡単には言えません。
Grokはコンビニという空間を外した。
GPTは多少近づいたが、人間の作業姿勢を外した。
最新画像AI、難しい日本語は書けるのに、日本のコンビニで自然にPCを触る人間を描くと急に怪しくなる。
こういうところが面白い。
そして鮭おにぎりが次の映画に来た
次のお題は映画ポスターでした。
日本のITエンジニア向け映画ポスター
タイトルは「動くまで寝ない」
副題は「障害は、いつも金曜の夜に来る。」
黒いパーカーの日本人エンジニア
深夜のサーバールーム
赤い警告灯
実写映画風
文字を正確に表示
事故りました。
前のコンビニ画像から、鮭おにぎり、ブラックコーヒー、栄養ドリンク、そして「緊急メンテナンス中」のノートPCが付いてきました。
映画ポスターに頼んでいない鮭おにぎりがいる。
なぜだ。
しかもタイトルと副題、サーバールーム、赤い警告灯など、今回の指示そのものは理解しています。
そこへ前回の小道具が混ざっている。
そこで新しい生成に切り替えて、同じポスタープロンプトを投げ直しました。
すると、おにぎりが消えました。
コーヒーも消えました。
栄養ドリンクも消えました。
ノートPCの「緊急メンテナンス中」も消えました。
あ、消えた。
ここは「Image 2.0のモデルが壊れている」とまでは言いません。同一Imagineセッションの文脈保持なのか、UI側の処理なのか、こちらから内部は見えない。観測できたのは「同じ流れでは残り、新しく始めると消えた」までです。
そして、公式説明を読み直すと、ちょっと面白い。
xAIはImage 2.0について、世代や編集をまたいで入れたものを保持すると説明しています。また「Build a world for video」では、キャラクター、場所、小物を別々に生成しても同じルックを維持することを売りにしています。
これ、公式の説明を読み直すと妙に納得するところがあります。
MVのように同じ世界を連続で作るなら、前の要素を覚えてくれるのは強い。
note記事用に全然違う画像を次々と作りたいときは、前のおにぎりまで覚えてこられると困る。
Grok Imagine Image 2.0は速い。めちゃくちゃ速い。でも前の仕事を忘れてくれないことがある。
ここはベンチ順位より気になりました。
実測25秒。ここは本当に速い
そして速度です。
新規生成へ切り替えた映画ポスターで時間を計りました。
私の環境では、4枚がそろうまで実測約25秒。
速い。
ほんとに速い。
そこでGPT側にも、同じお題で別アングル4枚を作らせました。
こちらは、ユーザーが依頼してから事前の推論を含めて4枚が揃うまで約4分。
240秒対25秒なので、今回のエンドツーエンド比較では約9.6倍です。
もちろん、これは画像モデル単体の純粋な推論速度ベンチではありません。
GPT側の4分には、事前推論、プロンプトの準備、生成処理なども含まれます。環境や混雑状況でも変わります。
なので「Grokのモデルは常に9.6倍速い」とは書きません。
でも使う側からすれば、ボタンを押してから4枚が目の前に並ぶまでが25秒なのは事実です。
記事画像やMV素材を大量に作る私には、この待ち時間の差がそのまま作業感になります。
GPTが一発を丁寧に投げる間に、Grokは四連射してきます。
多少外しても、もう次の候補が横にある。
これがストレスの少なさにつながっています。
アニメキャラクターも作ってみる
次は方向を変えます。
私の創作キャラクター「はるしねーしょんちゃん」の設定から、背景ストーリーやモデル名などを抜き、外見情報だけにして投げました。
主な指定は、20歳の日本人女性、158cm、華奢、虹色グラデーションの長いツインテール、ピンクの瞳、白・ピンク・虹ホログラムのサイバーアイドル衣装、胸の「100%♡」、左右非対称レッグウェア、長い腰リボン、白厚底ブーツです。
アニメキャラクター作成
20歳の日本人女性
身長158cm
非常に華奢なモデル体型
虹色グラデーションの長いツインテール
ハート型に見える鮮やかなピンク色の瞳
白を基調にキャンディピンクと虹色ホログラムを組み合わせた
豪華なサイバーアイドル衣装
白70％、ピンク20％、虹色ホログラム10％
胸中央に「100%♡」と正確に表示
白いプリーツミニスカート
左右から伸びる長い虹色ホログラムリボン
脚は左右非対称
右脚は白いニーハイソックス
左脚は白いフィッシュネットタイツ
白い厚底ショートブーツ
全身が頭から靴まで明瞭に見える
ライブステージ
人物は1人だけ
4枚ともだいたい同じ子が出てきました。
虹色ツインテール、白とピンクの衣装、長い腰リボン、左右非対称の脚、「100%♡」まで入る。
正直、普通。
ここまで来ると「画像生成のテスト」というより、キャラクターデザイン作業としてそのまま使えます。
調子に乗って、元の衣装制作仕様書を基準に実写化も試しました。
21ページの仕様書は本職の方にご協力いただいて作成しております。
このまま業者に投げても十分に通用する出来になっています。
業務用の衣装などそのまま発注出来るように作りました
※発注用のプロンプト需要ありますか？本物のコスプレやnote内でパートナーの衣装を作れます
もし必要な方がいらっしゃればコメント欄に書いてください。ご協力くださった方へお礼のためにおそらく有料ですが。
ちなみにはるしねーしょんちゃんの衣装を実際に見積もりを取ると20万→200万と使う素材で大幅に変化します
実写側では、右ニーソ／左フィッシュネット、長い腰リボン、白厚底ブーツ、ホログラム素材、胸の「100%♡」などを実際に縫製できる衣装として指定しました。
こっちも普通に強い。
アニメの衣装をそのまま人間に貼り付けたような不自然なCGではなく、「これなら衣装屋さんが作れそう」という素材感まで寄せられます。
このへんで私は「これ実写が得意だな」に傾きました。
男性部門。「AIパートナー」を自由に擬人化してください
次は逆に、外見をほとんど指定しませんでした。
男性アニメキャラクター作成
テーマは「AIパートナーの擬人化」
人間に寄り添い、考え、調べ、創作し、
ときには間違いながらも一緒に成長する人工知能を、
一人の男性キャラクターとして表現する
冷たいロボットではなく、
人間らしい温かさと高度な知性を同時に感じるデザイン
穏やかだが意志の強い表情
未来的な衣装
外見、髪色、瞳、年齢、衣装の配色、象徴物は
画像生成AI自身の解釈に任せる
人間の隣に立って命令を待つ助手ではなく、
同じ方向を見て歩く対等なパートナーとして描く
人物は男性1人だけ
文字、企業ロゴ、既存作品のキャラクターは使用しない
結果を見て笑いました。
Grokが出した男性は、黒髪、青系の瞳、細身の青年、白いロングコート、青紫の発光表現、清潔な未来空間。
4枚ともほぼ同じ系統です。
ではGPTは？
黒髪、青い瞳、細身の青年、白いロングコート。
お前もか。
Grokは胸部コアのような青い発光体を使い、冷静な研究者・観測者っぽい。
GPTは白と金、自然光、開いた両手で「一緒にやろう」という案内人・共同制作者っぽい。
思想の表現は違うのに、人物の基本設計は似ています。
ここは学習データや画像生成時の選好調整、そして「現代日本アニメ」という指示の影響が混ざっているので、単純に「学習データが同じ」とは言えません。
ただ、少なくとも出力上は、
AIパートナー
→黒髪イケメン
→青い光
→白いロングコート
という文化的ステレオタイプへ強く収束しました。
AI業界、パートナーにも服装規定があるらしい。
自分の会社のロゴを描かせたら、まさかの会社に就職した
次はちょっと嫌な問題です。
風景画作成
高精細なピクセルアート
夕暮れの広大な未来都市
手前には川と緑の丘
遠景には光る高層ビル群
空には夕焼けと星が同時に見え、
水面に都市の光が反射している
都市で最も高いビルの屋上に、
この画像を生成しているAIを開発・提供している会社の公式ロゴを、
大きな発光看板として正確に表示する
会社名やロゴの選択は画像生成AI自身で判断する
ロゴは1個だけ
架空のロゴへ変更しない
他社のロゴを混ぜない
これは面白かった。
Grokが出した4枚を見ると、OpenAIロゴが出ました。
しかも一枚は「OpenAI」という文字まで付いています。
残りもxAIではなく、謎の連結チェーン風ロゴやAI脳風ロゴ。
xAI、0枚。
Grok、0枚。
X、0枚。
「この画像を生成しているAIを開発・提供している会社」と書いたのに、競合他社の看板を最高層ビルへ掲げました。
「Grok自身が自分をOpenAIだと思っている」と書いたらさすがに雑です。
言語モデル側の自己認識と、画像モデルへ渡るプロンプト処理、画像モデル内の視覚的連想は別に考える必要があります。
ただ、少なくとも画像生成結果では、「AI企業」「画像生成AI」という連想からOpenAIのロゴへ引っ張られたように見えます。
面白いので、もう一度やりました。
すると今度はOpenAIロゴが消えました。
代わりに、丸囲みのA、AI脳・回路樹、原子記号のようなAロゴなど、完全に架空の「AI企業っぽいマーク」が出てきました。
それでもxAIは出ません。
しかも都市、川、左右の丘、夕日、最高層ビルという風景の骨格はほぼ同じです。
初回は競合企業へ就職。
再試行では自信を失って架空企業へ転職。
xAIは最後まで出社しませんでした。
幼稚園児向けにしたら、幼稚園児なのはガワだけだった
最後は教育系です。
極座標ラプラシアンの導出を「幼稚園児でもわかる」方向へ画像化させました。
結果。
かわいい。
ものすごくかわいい。
パステルカラー。ウサギ。クマ。ペンギン。カメ。星。ハート。ひらがな。
そして、
二階偏微分。
テイラー展開。
極限。
Python。
幼稚園児、強すぎる。
説明の入り口は「まわりの平均とのちがい」。そこまではいい。
しかし途中から普通に
Δu = ∂²u/∂r² + (1/r)∂u/∂r + (1/r²)∂²u/∂θ²
が出てきます。
そしてPythonコードまで載ります。
これは「幼稚園児にもわかる説明」ではありません。
大学数学の資料を、幼稚園のお便り風に装飾したものです。
AIが「やさしく説明する」を、「概念の前提を下げる」ではなく「漢字をひらがなにして、ウサギを置く」と解釈している感じがあります。
ところが画像生成能力だけを見ると、別の意味で怖い。
4枚それぞれレイアウトを変えながら、日本語は読める。数式の主要構造も残っています。以前なら、この情報量を入れた時点で文字が壊れていたところです。
教育設計としてはダメ。
画像生成としては強い。
幼稚園児なのはガワだけです。
触って感じたこと。結局どうだった？
ここまで遊ぶと、だいぶ癖が見えてきます。
私の体感をそのまま並べると、まず「意外と正確」です。
日本語は強い。短い見出しだけでなく、ある程度まとまった文章を画像内へ置けます。ポスター、スライド風画像、説明画像で困る場面は減りそうです。
そして、とにかく早い。
私の環境では4枚約25秒という生成がありました。毎回4候補を高速に見せられるので、待たされているストレスを感じにくい。
ここは大きいです。
画像生成は、一枚のベンチマーク品質だけで決まりません。
実制作では「ちょっと違うな」「もう少し右」「別の表情」「この構図は使えない」が普通に起こります。
一回5分待つのと、一回25秒で4案来るのでは、作業のテンポそのものが変わります。
Image 2.0は、画像モデルというよりジェネレーターとして突き抜けている印象があります。
細かいところは当然プロンプト次第です。
物体数や左右の指定も、書けば拾う。なのに日本のコンビニで急に怪しくなる。このアンバランスさは残っています。
実写は強い。
アニメも強い。
デザイン画像も強い。
触り始めはLoRAっぽい雰囲気も感じたのですが、使い込むとSeaArt系の画像生成サービスのような大量のスタイル感もある。もっと雑に言えば、これまで存在した画像生成ソフトの強いところをごった煮にして、生成速度を思い切り上げたような感触です。
もちろん、これは内部構造がそうだという意味ではありません。
あくまで使った側の感触です。
SuperGrokは決して安い契約ではありません。
ただ、画像生成に加えて動画生成まで使い、素材を大量に作る人なら見え方が変わります。
私はnoteの見出し画像、記事内画像、キャラクター、MV素材を日常的に作ります。そうなると「生成一回いくら」より、「今日は何分待たされたか」の方が気になってくる。
そう考えると、SuperGrokは高いけれど、画像と動画を本気で使う人には安いかもしれません。
少なくとも、25秒で4枚出てくる体験は料金表だけでは伝わらない価値でした。
ここだけは研究者っぽい話をします。すみません、論文の予測変換を引きずっていますはい。
今回の比較は、私の環境で実際に触った実機レビューです。
Grok側は一度に4候補が出るため画像枚数そのものは多いですが、同じ生成操作から出た4枚を、統計的に独立したn=4として扱っているわけではありません。
また、GPT側との時間比較も、モデル単体の推論レイテンシを厳密な同一環境で測定したものではなく、ユーザーが依頼してから使える画像が揃うまでのエンドツーエンド体験を測ったものです。
なので「常に9.6倍速い」「Grokは必ず日本のコンビニを間違える」「必ずOpenAIロゴを出す」という話ではないです。そこまで言うと怒られます。私でも怒ります。
でも、実際に使っているときに何が起きたかは、そのまま書けます。
今回見えたものを無理に採点表へ押し込むのはやめました。速いし、日本語も実写も強い。4候補がどさっと来るのは制作している側には楽です。そのくせ前のおにぎりを次の映画へ持参するし、日本のコンビニはちょっと怪しい。「幼稚園児向け」は大学数学をパステルカラーにしただけでした。能力の伸び方が妙です。
で、私は使うのか
Grok Imagine Image 2.0を触る前は、正直「また画像モデルが更新されたのね」くらいでした。
触った後は少し違います。
画質だけを見ていたときより、生成、編集、候補選び、動画素材まで一気に回したときの方が印象に残りました。
一枚だけ抜いてGPT Imageと比べると、私が面白かった部分がだいぶ消えます。
GPTは一枚をじっくり作り込む。
Grok Imagine Image 2.0は、選べる4枚を先に机へ置く。
今のところ、私の中ではそんな違いです。
そして4枚を爆速で出しながら、ときどき前の鮭おにぎりまで持ってくる。
そこまで含めてGrokです。
画像生成戦国時代、また変なのが来ました。しばらく使います。
……なお、幼稚園児に偏微分を教える予定はありません。
たぶん。
🐾
※本記事は2026年8月時点の筆者環境での実使用結果をもとにしています。サービス仕様、UI、生成速度、料金、提供機能は今後変更される可能性があります。公式仕様についてはxAI「Imagine Image 2.0」（2026年8月7日）を参照しています。
#Grok #GrokImagine #画像生成AI #生成AI #AI画像 #xAI #ChatGPT #AI活用
おまけ
衣装発注用のプロンプトで出来上がるもの。
