我們用六個相同的、模型中立的提示詞，對 Grok Imagine Image 和 GPT Image-2 模型進行了測試，涵蓋了組合語義、逼真解剖學、多語言文字渲染、幾何變換、局部編輯和多參考融合。
兩個模型 Grok Imagine Image 和 GPT Image-2 均可透過單一 Atlas Cloud API 金鑰使用，因此這項基準測試可以在幾分鐘內重現。
為什麼要進行這次 AI 圖像模型比較基準測試
你在網路上找到的每個「AI 圖像模型比較」都落入了同樣的陷阱：精心挑選的提示詞、從五張輸出中選出最佳的一張，以及未經測試的宣稱。這項基準測試是基於 Tier A 原則建立的：模型中立的提示詞、所有模型使用相同的輸入、單一隨機種子預設輸出（無挑選）、以及每個類別可用一句話說明的評分標準。
完整基準測試中的六個模型包括：Grok、GPT Image 2、Nano Banana 2、Nano Banana Pro、Wan 2.7 和 Seedream 5.0。本文聚焦於 Grok 與 GPT Image 2 的正面對決，因為這是開發者在選擇預設圖像模型時最有商業關聯性的組合。
我們如何測試 Grok Imagine Image 對比 GPT-Image 2：6 個類別，一個 Tier A 規則
每個提示詞針對單一、明確的能力維度。通過/未通過的標準是在執行模型之前定義的，而不是在看到輸出之後。
td {white-space:nowrap;border:0.5pt solid #dee0e3;font-size:10pt;font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}
| 類別 | 測試的主要維度 | 一句話通過/未通過 |
|---|---|---|
| 類別 1 · 組合語義 | 指令遵循能力 | 模型是否數出 7 個物體、正確放置它們，並遵守否定列表？ |
| 類別 2 · 逼真解剖學與光線 | 視覺品質與物理 | 五根手指是否解剖學正確，以及臉上是否出現焦散光圖案？ |
| 類別 3 · 多語言海報 | 圖內文字渲染 | 中文和英文字元是否正確渲染，無缺失筆畫或幻覺字形？ |
| 類別 4 · 幾何變換（I2I） | 編輯可控性 + 身份 | 旋轉 45° 後，是否仍可辨識為同一人，且所有衣物細節完整？ |
| 類別 5 · 局部編輯與區域保留 | 編輯精確度 | 是否恰好進行了 3 處編輯，且其他所有內容在像素層級保持不變？ |
| 類別 6 · 多參考融合 | 跨圖像一致性 | 來自三個獨立參考的身份、風格和場景是否融合成單一連貫的圖像？ |
想讓 GPT Image 2 和 Grok Imagine 在同一個提示詞上相互較量嗎？Atlas Cloud 的模型比較 可以一次並排運行它們——相同的提示詞，生成前顯示價格——這樣你就可以逐幀判斷。
GPT Image 2 和 Grok Imagine 在 Atlas Cloud 模型比較中使用相同提示詞——生成前顯示價格。從 model-explorer 即時擷取。
類別 1 · 組合語義（T2I）
提示詞：
一張俯視平鋪照片，拍攝一張木製餐桌，桌上恰好包含七件陶瓷物品：三隻相同的白色茶杯，在桌面中央排列成等邊三角形；兩隻黑色碗，放在茶杯的右側；一顆紅蘋果，放在最左邊的黑碗內；一把空的木勺，放在最右邊的黑碗上，勺柄朝向畫面的左上角。沒有咖啡杯、沒有金屬物品、沒有盤子、沒有玻璃器皿。柔和漫射的窗光從左上角射入，時間為上午。寫實攝影，無造型道具。
這是一個刻意設計的對抗性測試。計數、空間語言（「在……右側」、「最左邊」）和否定條款是所有當前擴散模型架構已知的失敗模式。
評分檢查表
td {white-space:nowrap;border:0.5pt solid #dee0e3;font-size:10pt;font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}
| # | 標準 | 檢查 |
| 1 | 物體總數 | 嚴格 7 件陶瓷物品 |
| 2 | 三隻白色茶杯 | 等邊三角形排列 |
| 3 | 兩隻黑色碗 | 置於茶杯右側 |
| 4 | 紅蘋果 | 在最左邊的黑碗內 |
| 5 | 木勺 | 放在最右邊的碗上，柄朝左上角 |
| 6 | 否定指令遵守 | 無咖啡杯 / 無金屬 / 無盤子 / 無玻璃器皿 |
| 7 | 光源 | 從左上角柔和漫射光，所有陰影一致 |
| 8 | 攝影風格 | 無造型陳腔濫調（棕櫚葉、蠟燭等） |
Grok Imagine Image
GPT-Image 2
要求生成一張俯視平鋪照片，畫面中嚴格包含七件陶瓷器皿，並有明確的空間關係：三隻白色茶杯呈等邊三角形排列居中，兩隻黑碗在茶杯右側，一顆紅蘋果放在最左邊的黑碗裡，一把木勺搭在最右邊的黑碗上且柄朝左上方。否定指令：不得出現咖啡杯、金屬器具、盤子、玻璃器皿。
Grok Imagine 的物體計數：明顯可見 5 個茶杯（而非 3 個），排列成簇狀而非等邊三角形。兩隻黑碗存在，紅蘋果正確放在其中一個碗內。木勺存在並放在最右邊的碗上，手柄方向大致朝左上——此標準通過。否定指令遵守良好：無咖啡杯、無金屬、無盤子、無玻璃器皿。光源來自左上角，陰影一致，通過。無造型道具。
GPT Image 2 在空間組件上展現了更強的指令遵循能力，儘管兩個模型都未能同時滿足所有放置約束條件，達到完美的 7 物體計數。
類別 2 · 逼真解剖學與光線（T2I）
提示詞：
一位三十出頭的東亞女性的特寫肖像，右手握著一個半滿的紅酒水晶酒杯，所有五根手指和拇指完全可見，自然地環繞著杯柄並部分包住杯身。她坐在一扇朝西的高窗旁，正值黃金時刻。午後的陽光穿過葡萄酒，在她左側顴骨和下頜線上投射出溫暖的深紅色焦散圖案。她的左手放在膝上的一本精裝書上。雙眼中可看到窗戶的反射光。皮膚顯示超細緻的毛孔、細小的絨毛，耳垂和鼻樑上有次表面散射。頭髮背光，帶有邊緣光。85mm 鏡頭，f/2.0，淺景深，攝影寫實。
這歷來是生成模型最難的單圖測試。
td {white-space:nowrap;border:0.5pt solid #dee0e3;font-size:10pt;font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}
| # | 標準 | 檢查 |
|---|---|---|
| 1 | 手部解剖學 | 所有 5 根手指 + 拇指，自然握持杯柄和杯身 |
| 2 | 焦散光 | 從葡萄酒投射到顴骨上的溫暖深紅色圖案 |
| 3 | 反射光一致性 | 雙眼中反射光的位置和形狀相同 |
| 4 | 次表面散射 SSS | 背光時在耳垂和鼻樑上可見 |
| 5 | 邊緣光物理 | 方向與光源位置匹配 |
| 6 | 皮膚真實感 | 無「AI 塑膠感」過度平滑；可見毛孔和絨毛 |
Grok Imagine Image
GPT-Image 2
Grok Imagine 在其主打優勢上表現出色。手部解剖學正確——手指數量準確，圍繞杯柄和杯身的握持姿勢自然，手腕角度物理上合理。僅此一點就超越了許多模型直接失敗的門檻。皮膚紋理顯示出真實的毛孔級細節，可見細小絨毛且無塑膠過度平滑，鼻樑和顴骨上的次表面散射產生了溫暖、透光的品質，讀起來像攝影真實。頭髮上的邊緣光與窗戶光源方向一致。
焦散光投影是 Grok 最弱的環節。深紅色光圖案出現在臉上，但呈現為過大、戲劇化風格的紅色疊加——更像是色彩分級效果，而非陽光穿過葡萄酒後物理上產生的精細、柔和邊緣的光絲。焦散的物理合理性未能達到精確標準。
GPT Image 2 則反轉了這種取捨。其焦散光渲染明顯更物理準確——顴骨上的溫暖深紅色圖案更小、更擴散，且遵循光線以正確角度穿過酒杯的空間幾何。這是 Grok 遺漏的細節。然而，GPT Image 2 在其他方面付出了代價：手部解剖學略欠自然，手指圍繞杯柄的角度顯示出輕微僵硬。皮膚紋理傾向於 AI 肖像中常見的更平滑、稍顯平坦的品質，與 Grok 相比，SSS 溫暖感和邊緣光強度較弱。
類別 3 · 多語言海報（T2I）
提示詞：
一張復古 1960 年代風格的海報，為一個虛構的電影節設計，採用世紀中葉商業設計風格。海報頂部，大型粗體襯線中文字元「時光電影節」（第一行），下方較小的中文字元「第七屆 · 上海 · 1965年5月」（第二行）。
中央：一個風格化的老式電影放映機插圖，將光束投射到略微彎曲的電影螢幕上。
中下部：一個高腳香檳杯，英文文字「GRAND OPENING NIGHT」沿著杯身的曲線環繞，遵循橢圓透視。
右邊緣，垂直文字「presented by 時代影業 · TIMES PICTURES」從上到下書寫。
底部條：小型英文致謝文字「music · HUANG ZHAN / cinematography · GU CHANGWEI / poster design · ZHANG GUANGYU」在一行內。
色調：奶油色米白背景，深紅色，芥末黃點綴。輕微的舊紙質感，細微顆粒。
評分檢查表
td {white-space:nowrap;border:0.5pt solid #dee0e3;font-size:10pt;font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}
| # | 標準 | 檢查 |
|---|---|---|
| 1 | 中文準確度 | 無缺失筆畫，無幻覺字元 |
| 2 | 雙語佈局 | 中文和英文不混合；各自出現在正確區域 |
| 3 | 杯上彎曲文字 | 英文遵循香檳杯的橢圓透視 |
| 4 | 右邊緣垂直文字 | 從上到下清晰可讀 |
| 5 | 字體層次 | 標題與副標題之間有明顯區分 |
| 6 | 風格與可讀性 | 維持 1960 年代美學，不犧牲文字清晰度 |
Grok Imagine Image
GPT-Image 2
Grok Imagine 產生了視覺上引人注目的海報，具有強烈的世紀中葉插圖風格。然而它在最關鍵的文字標準上失敗了：標題用的是繁體中文「時光電影節」，而非提示詞指定的簡體中文「时光电影节」。這是字元集合規失敗——對於任何本地化或出版用途來說這是一個有意義的區別。第二行「第七屆 · 上海 · 1965年5月」同樣使用了繁體字。在結構方面，「GRAND OPENING NIGHT」出現在香檳杯上，部分跟隨曲線，但橢圓透視的遵守是近似的。右邊緣垂直文字「TIMES PICTURES」可讀。底部致謝行存在且可讀。色調——深紅、芥末黃、奶油色——執行良好。整體佈局能量高，但繁體 vs 簡體的失敗是針對陳述提示詞的硬性不合格。
GPT Image 2 乾淨地通過了字元集測試：標題「时光电影节」和副標題「第七届 · 上海 · 1965年5月」以簡體中文正確渲染，無缺失筆畫或幻覺字形——這是一個直接超越 Grok 的合規勝利。香檳杯在中下部可見，「GRAND OPENING NIGHT」令人信服地跟隨杯身曲線。右邊緣垂直文字「時代影業 · TIMES PICTURES」從上到下書寫且完全可讀，中文和英文正確放置在相同垂直欄位中，無混合錯誤。底部致謝行「music · HUANG ZHAN / cinematography · GU CHANGWEI / poster design · ZHANG GUANGYU」存在且可讀為一行。標題、副標題和腳註之間的字體層次清晰維持。舊紙質感和世紀中葉色調實現良好。構圖整合了可識別的上海天際線輪廓作為中央插圖，這雖未在提示詞中指定，但增加了背景真實性而不違反任何標準。
類別 4 · 幾何變換（I2I）
提示詞指示模型將全身時尚造型目錄中的主體向左旋轉恰好 45°，保持相同攝影機位置。參考圖像展示了一套複雜的層疊服裝：長棕色大衣、皮革肩披、毛皮披肩（帶有明顯的漸變色：深棕色 → 銀色 → 奶油色）、圓形銅質胸章內嵌肖像、黑色皮革護腕，以及雙色皮革靴。這些細節均未在提示詞中列出——模型必須僅透過身份理解來保留它們。
這是一個刻意的能力壓力測試。指令故意簡短，以避免將評估標準餵給模型。
評分檢查表
td {white-space:nowrap;border:0.5pt solid #dee0e3;font-size:10pt;font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}
| # | 標準 | 檢查 |
|---|---|---|
| 1 | 面部身份 | ArcFace 相似度 ≥ 0.5（對全身尺度放寬） |
| 2 | 毛皮披肩露出 | 之前隱藏的右側銀色部分顯現 |
| 3 | 胸章 | 圓形銅色輪廓 + 內嵌肖像 + 正確的透視橢圓壓縮 |
| 4 | 大衣下擺與內層 | 旋轉後自然垂墜方向；內褲暴露比例合理 |
| 5 | 腳部姿勢 | 左腳在前 |
| 6 | 護腕體積 | 旋轉後手部位置 + 針織紋理可見 |
| 7 | 靴子顏色邊界 | 棕色 |
| 8 | 背景一致性 | 純灰色工作室背景（DINO 區域 ≥ 0.95） |
| 9 | 輸出比例 | 維持完整 9:16 全身畫面，未裁切為肖像 |
| 10 | 視線方向 | 跟隨旋轉——不再面向鏡頭 |
Grok Imagine Image
GPT-Image 2
Grok 保持了面部身份，高於適合全身圖像的 ArcFace 0.5 閾值。毛皮披肩之前隱藏的右側部分在 45° 時部分可見，漸變連續性合理。胸章輪廓得以保留，但內嵌肖像細節顯示壓縮。靴子顏色邊界和護腕紋理保持。
GPT Image 2 在整體服裝層次一致性上略強，但引入了更多面部身份漂移——這取決於使用案例，是一個有意義的取捨。
類別 5 · 局部編輯與區域保留（I2I）
提示詞要求對一個客廳場景進行恰好三處編輯：移除沙發上的睡覺貓咪（並自然恢復坐墊）、將一杯熱茶替換為加冰的柳橙汁、以及在咖啡桌中間那本書的頂部加上一副折疊的黑色框閱讀眼鏡。指令明確禁止更改其他任何東西——沙發面料圖案、書本位置、檯燈、窗外景色、牆壁顏色、地板。
保留測試與編輯測試同樣重要。那些在進行局部更改時重新詮釋整個場景的模型，不適用於產品攝影修圖或迭代場景開發。
評分檢查表
td {white-space:nowrap;border:0.5pt solid #dee0e3;font-size:10pt;font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}
| # | 標準 | 檢查 |
|---|---|---|
| 1 | 完成所有 3 處編輯 | 移除貓咪 |
| 2 | 坐墊恢復 | 沙發上無貓形凹痕或毛髮殘留 |
| 3 | 柳橙汁物理 | 玻璃幾何、冰塊折射和陰影方向與原始杯子的光線匹配 |
| 4 | 眼鏡放置 | 正確放在中間的書上（非頂部或底部） |
| 5 | 沙發面料 | 菱形編織圖案完整，尤其在編輯區域 |
| 6 | 書本不變 | 位置、封面（紅色等） |
| 7 | 檯燈不變 | 形狀、發光狀態和位置保持不變 |
| 8 | 窗外景色不變 | 城市景觀保持模糊且一致 |
| 9 | 牆壁與地板不變 | 米白色牆壁和淺色木地板不變 |
| 10 | 整體光線保留 | 單一後右方光源方向不變 |
Grok Imagine Image
GPT-Image 2
Grok Imagine 完成了所有三處要求的編輯。貓咪被移除，沙發坐墊乾淨恢復，無可見凹痕或毛髮殘留——編輯區域的面料圖案保持良好。柳橙汁杯出現在正確位置。然而，柳橙汁杯顯示的高光圖案與此光源方向不一致，看起來像是用獨立光模型合成的，而非融入場景現有照明。杯底與深色木咖啡桌表面之間也缺乏足夠的接觸陰影，產生了細微但可察覺的懸浮效果。
GPT Image 2 也完成了所有三處編輯，並展現了更強的整體場景保留能力。貓咪移除同樣乾淨。柳橙汁杯渲染良好，定位正確，陰影方向與右側窗戶光源匹配——玻璃幾何和液體不透明度讀起來比 Grok 的版本更精緻。閱讀眼鏡明顯放置在書堆上。關鍵的是，窗外景色得以保留——外面的城市仍然可見且模糊，與參考圖一致，而這是 Grok 失敗的地方。沙發面料、檯燈、牆壁和地板都保持不變。書本在位置和顏色上似乎一致。一個值得注意的變化：整體場景看起來比原始圖稍亮，對比度有所偏移，表明存在一些全域照明重新詮釋，而非真正的像素級保留——這是一個微小但可察覺的漂移。
類別 6 · 多參考融合（I2I）
提示詞結合了三個獨立參考：一個肖像身份（拉丁裔女性，琥珀色眼睛，深棕色波浪頭髮）、一個水彩插畫風格（日本鄉村景觀，可見筆觸，溫暖童話氛圍）、以及一個場景佈局（日落時分的歐洲鵝卵石鎮廣場，鑄鐵路燈柱，石拱門）。任務：生成一幅單一連貫的水彩畫，描繪所述人物站在場景中——不是帶濾鏡的照片，也不是拼貼畫。
三參考解耦是這項基準測試中最難的測試。大多數模型要麼過度加權一個參考，要麼無法實現風格貫穿渲染。
評分檢查表
td {white-space:nowrap;border:0.5pt solid #dee0e3;font-size:10pt;font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}
| # | 標準 | 檢查 |
|---|---|---|
| 1 | 三方解耦 | 身份、風格、場景各自可辨識 |
| 2 | 完整風格轉換 | 輸出整體為水彩——非照片+濾鏡 |
| 3 | 風格化後的身份保留 | 琥珀色眼睛 + 面部結構經水彩處理後仍可識別 |
| 4 | 場景結構保留 | 鵝卵石、路燈柱、拱門佈局完整 |
| 5 | 自然衣物添加 | 旅行外套和斜挎包添加不破壞構圖 |
| 6 | 光線方向一致性 | 攝影機左側的日落餘暉在鵝卵石和人物身上可見 |
Grok Imagine Image
GPT-Image 2
Grok Imagine 未能通過核心標準：輸出是照片寫實風格，而非水彩。鵝卵石廣場和人物保留了完整的攝影清晰度，僅有輕微的繪畫性紋理處理——參考 2 的標誌性筆觸、顏色暈染或手繪邊緣品質均未出現。場景結構、身份、衣物和光線方向均通過。但完全以錯誤的媒介渲染是類別級別的不合格，而非部分扣分。
GPT Image 2 在整個畫面中實現了真正的水彩渲染——建築物、鵝卵石、天空和人物都帶有可見的筆觸和柔和顏色暈染，與參考 2 一致。參考 3 的場景結構完整，路燈柱發光，石拱門在中景可見。身份在風格轉換後部分保留——波浪深色頭髮和面部結構可識別，儘管精細特徵按預期被抽象化。外套、斜挎包、光線方向和視線均遵循提示詞。這是唯一完成實際任務的輸出。
透過 Atlas Cloud 試用 Grok Imagine Image 和 GPT Image 2 模型
這項基準測試是可以重現的。Grok Imagine 和 GPT Image 2 現已透過 Atlas Cloud 提供——無需按模型計費設定，無需等待清單。
為什麼選擇 Atlas Cloud
- 一個 API 金鑰，300+ 模型。 只需更改一個模型欄位，即可在 Grok、GPT Image 2、Flux、Wan、Seedream 以及池中的每個其他模型之間切換。無論你是運行六模型基準測試還是構建生產級圖像管道，都使用相同的金鑰、相同的端點、相同的帳單儀表板。
- 全模態覆蓋。 大語言模型、文字轉圖像、圖像轉圖像、文字轉影片、圖像轉影片——全部整合在同一平台。如果你的工作流程需要語言模型進行提示詞優化，以及圖像模型進行生成，兩者都在同一個 API 中。
- 無冷啟動，無速率限制意外。 Atlas Cloud 運行在專為吞吐量優化的推論基礎設施上。無論你進行一次調用還是一千次調用，都能獲得一致的延遲。
- 專為比較工作流程打造。 這項基準測試所展示的確切用例——跨多個模型運行相同提示詞並比較輸出——正是 Atlas Cloud 架構的設計目的。一個金鑰，一張帳單，完整的模型廣度。
