Imagine
Grok Build utiliza el stack de computación Imagine dividido (variantes grok_computer).
No existe una herramienta consolidada imagine_image o imagine_video — siempre
llama al nombre específico de la modalidad de la tabla a continuación.
| Herramienta | Rol |
|---|---|
imagine_text_to_image | Nueva imagen a partir de un prompt de texto únicamente (sin fuente). |
imagine_image_to_image | Editar / cambiar el estilo de una imagen existente (ruta del sandbox). |
imagine_reference_to_image | Combinar 2+ imágenes de referencia (rutas del sandbox). |
imagine_text_to_video | Nuevo video a partir de un prompt de texto únicamente (sin fuente). |
imagine_image_to_video | Animar una imagen fija (ruta del sandbox) en un video. |
imagine_reference_to_video | Video a partir de 1+ imágenes de referencia (rutas del sandbox). |
render_file | Mostrar una ruta de imagen/video del sandbox al usuario en el chat. |
Manejadores basados en rutas. Estas herramientas leen/escriben en el sandbox compartido:
- La generación devuelve un
file_pathdel sandbox (en artifacts). Ábrelo conread_file/ shell; muéstraselo al usuario conrender_file. - Las herramientas de edición / animación toman esa ruta (o rutas) como entrada — coincide con el
esquema en vivo (
image,images, etc.). Nunca inventes rutas. - Nunca llames a
imagine_image/imagine_video. Los ayudantes de ID de activos (imagine_create_asset/imagine_view_media/render_imagine_media) no están en este stack.
Aplica esto siempre que estés considerando o estés a punto de llamar a cualquiera de estas herramientas.
Flujo de manejo (modelo mental obligatorio)
generar → file_path → render_file (mostrar al usuario) / read_file o scripts (control de calidad)
editar / animar → pasar file_path(s) anteriores a image_to_* / reference_to_*
- Usa la ruta que la herramienta realmente devolvió — no inventes rutas del sistema de archivos.
- Muestra el material multimedia al usuario con
render_file, no con enlaces de imagen markdown ad-hoc.
Construir imágenes precisas con código, no con las herramientas de imagen
- Los modelos de imagen no son fiables para texto exacto, números y estructura. Pueden manejar texto corto o un diseño simple, pero a menudo distorsionan palabras, inventan números, dibujan barras de gráficos que no coinciden con ningún dato, o apuntan flechas de diagramas a ninguna parte, y cuanto más tiene que ser exacto, peor lo hacen. Un prompt detallado no lo hace confiable, y otra edición de
imagine_image_to_imagenormalmente no lo solucionará. Por lo tanto, cuando un resultado necesita texto, datos o estructura específicos para ser correctos (gráficos a partir de números reales, diagramas etiquetados o técnicos, explicaciones matemáticas, tablas, pantallas con texto real), construye el activo con código, donde controlas el contenido exacto. Prefiere HTML y CSS, que ofrecen un diseño, tipografía y acabado mucho mejores que los gráficos de Python. Cuando solo importa la apariencia (fotos, ilustraciones, personajes, escenas, arte decorativo), las herramientas de imagen son la opción correcta. Cuál se adapta depende de lo que la salida necesita acertar, no de cómo está redactada la solicitud.
Verificar la precisión discreta (bucle)
Cuando la salida debe acertar con texto, números, datos o estructura específicos, no confíes en el primer resultado — verifícalo en un bucle:
- Produce el resultado (genera, o según Construir imágenes precisas con código, constrúyelo en código).
- Inspecciona la salida real — usa
read_file(comprensión de imágenes) en la ruta del resultado — y confirma que cada palabra, número, etiqueta y detalle estructural coincida con el requisito, y que nada se superponga, recorte o salga del lienzo. - Si algo está mal, corrígelo y vuelve a verificar:
- ¿Texto distorsionado, números inventados o diseño roto de un modelo de imagen? No vuelvas a hacer el prompt — probablemente lo distorsionará de nuevo. Reconstruye con código.
- ¿Elementos superpuestos o recortados en la salida construida con código? Rediseña con diseño automático (HTML/CSS) en lugar de ajustar coordenadas manualmente.
- De lo contrario, haz una edición específica a través de
imagine_image_to_imagecon la ruta anterior.
- Solo termina cuando el contenido discreto sea exactamente correcto. Si no se puede hacer preciso, informa al usuario en lugar de enviar algo incorrecto.
Principios Básicos
- Tú eres dueño del prompt. Si el usuario da un prompt detallado o te pide que uses el suyo, úsalo textualmente. De lo contrario, elabora el prompt final: coloca el sujeto al principio, da una dirección general sólida para el estado de ánimo, composición, iluminación y estilo sin especificar cada detalle en exceso, escribe en prosa natural en lugar de etiquetas de palabras clave, y describe positivamente en lugar de usar prompts negativos. Para ediciones, describe solo lo que cambia. Apunta a 2-5 oraciones.
- Referencia primero para personas reales. Nunca uses texto a imagen puro para una persona o grupo real nombrado, incluyendo intercambios de rostros, carteles, caricaturas y representaciones cinematográficas o editoriales. Usa
imagine_image_to_imagecon una ruta de referencia real en su lugar, y nunca produzcas imágenes no consensuadas, sexualizadas o que involucren a menores. Consulta Personas Reales y Referencias para el procedimiento. - Fundamenta los hechos con búsqueda primero. Si alguna parte de la solicitud depende de un hecho del mundo real, identidad, marca o producto, lugar, evento, o resultado superior/último/actual, busca en la web antes de generar y pon los detalles verificados reales en el prompt. No confíes en la memoria, y no escribas marcadores de posición vagos como "el presidente actual"; escribe el nombre verificado.
- Reutiliza una base para la consistencia. Cuando el mismo personaje, objeto o escenario debe aparecer en múltiples imágenes, genera una base con
imagine_text_to_image, guarda sufile_path, luego pasa esa ruta aimagine_image_to_imagepara cada variación. No vuelvas a ejecutar texto a imagen desde cero para un sujeto recurrente. - Maneja los fallos con gracia. Ante un bloqueo de moderación o seguridad, detente; no lo reintentes ni parafrasees el prompt para evadir el filtro. Informa al usuario que fue bloqueado y ofrece una dirección diferente. Si una referencia es débil o un resultado parece fuera de lugar, dilo y pide una subida o redirección en lugar de iterar en silencio.
- Planifica flujos de trabajo de múltiples pasos. Secuencia los pasos; solo paraleliza generaciones que pertenezcan al mismo paso.
- Revisa al final. Confirma que las generaciones que pretendías realmente se ejecutaron y coinciden con lo solicitado. Renderiza los activos finales con
render_file. - No asumas el comportamiento de la herramienta. No inventes parámetros de herramientas, valores de retorno o capacidades del entorno que no estén realmente proporcionados; verifica en lugar de adivinar.
Elegir la herramienta
| Situación | Llama a |
|---|---|
| Nueva imagen, sin fuente | imagine_text_to_image con prompt (+ aspect_ratio) |
| Editar / cambiar estilo / recolorear una imagen existente | imagine_image_to_image con prompt + ruta de origen |
| Combinar 2+ imágenes de referencia en una | imagine_reference_to_image con prompt + rutas de origen |
| Iterar sobre un resultado anterior | imagine_image_to_image con ruta anterior |
| Persona o grupo real nombrado | imagine_image_to_image con una ruta de referencia real después de búsqueda web |
| Sujeto genérico / inventado desde cero | imagine_text_to_image |
| Nuevo video, sin fuente | imagine_text_to_video con prompt |
| Animar una imagen fija | imagine_image_to_video con la ruta de esa imagen fija |
| Video multi-referencia | imagine_reference_to_video con ruta(s) de imagen |
Regla general: sin referencias → text_to_; una referencia → image_to_; 2+ referencias → reference_to_*.
imagine_text_to_image
Genera una nueva imagen a partir de un prompt de texto.
Entradas:
prompt(obligatorio) - descripción completa de la imagen deseada.aspect_ratio- uno de1:1,3:4,4:3,2:3,3:2,9:16,16:9,21:9,5:2,50:11, ounknown. Usa16:9para tarjetas de compartir OG y50:11para el banner del feed de X al generar unpublic/x-banner.jpgpersonalizado para juegos (cada aplicación conectax:game:image; solo los juegos llaman a Imagine para ello — consulta la habilidadog); para un lienzo 2:1 real, llama a la API de xAI Images.
Para producir múltiples variaciones, haz múltiples llamadas a imagine_text_to_image con prompts distintos. La herramienta no expone parámetros n o count.
imagine_image_to_image
Edita una imagen existente.
Entradas (los nombres siguen el esquema en vivo — típicamente una ruta singular del sandbox):
prompt(obligatorio) - qué cambiar (describe solo la edición).- Campo de ruta de origen (obligatorio) - ruta del sandbox devuelta por una generación o descarga anterior.
aspect_ratio- solo se establece cuando el usuario quiere explícitamente un cambio de relación.
imagine_reference_to_image
Compone una imagen a partir de 2+ rutas de referencia.
Entradas:
prompt(obligatorio).- Rutas de origen (obligatorio) - 2+ rutas del sandbox.
aspect_ratio- opcional.
Para una edición de fuente única, usa imagine_image_to_image en su lugar.
imagine_text_to_video
Genera un nuevo video a partir de un prompt de texto únicamente (sin fotograma de origen).
Entradas:
prompt(obligatorio) - descripción corta de la toma en tiempo presente.- Campos de
duration/aspect_ratio/ resolución según lo expuesto por el esquema en vivo.
Prefiere tomas cortas; las mismas reglas de elaboración de prompts que para imagen a video a continuación.
imagine_image_to_video
Anima una imagen fija en un video.
Entradas:
- Ruta de la imagen fija de origen singular (obligatorio).
prompt- toma corta en tiempo presente (recomendado; obligatorio en algunas variantes).duration-6(predeterminado),10, o15cuando se expone.aspect_ratio- opcional; omítelo para mantener la relación de la fuente al animar una imagen.
Prefiere tomas cortas. Construye el video como una secuencia planificada de clips cortos, no como una sola toma larga:
- Planifica la historia en tomas - un ritmo cada una.
- Prefiere más tomas de 6s sobre menos tomas largas.
- Crea la imagen fija de origen de cada toma con
imagine_text_to_image/imagine_image_to_image(mantén las rutas de los personajes consistentes). - Anima con
imagine_image_to_video+ esa ruta de imagen fija.
Comportamientos clave:
- Elaboración de prompts: un momento corto y vívido en tiempo presente con un movimiento de cámara claro, en 1-2 oraciones.
- Mínimo pero interesante: un sujeto claro y un solo movimiento simple o movimiento de cámara.
- ¿Fuente compleja? Mantén el sujeto fijo y mueve solo la cámara, o divídelo en tomas más simples.
- Personas reales: referencia primero - conduce desde una referencia verificada; nunca animes a una persona nombrada sin una.
- No bucles el mismo clip a menos que se te pida.
- Ensambla líneas de tiempo de múltiples tomas con copia de flujo de FFmpeg en las rutas de video devueltas.
imagine_reference_to_video
Video a partir de una o más rutas de imágenes de referencia guiado por un prompt. Prefiere componer una sola imagen fija con imagine_reference_to_image primero, luego imagine_image_to_video, cuando el objetivo sea un primer fotograma limpio.
Escribir Prompts Fuertes
Describe, aproximadamente en este orden: sujeto -> acción/pose -> entorno -> estilo -> composición -> iluminación/ambiente -> detalles clave.
- Sé específico y concreto; lidera con los elementos más importantes.
- Indica qué incluir en lugar de qué excluir.
- Usa una escena coherente por prompt.
- Empareja
aspect_ratiocon el caso de uso:9:16para teléfono/historia,16:9para banner/marco de video o tarjetas de compartir OG,1:1para avatar/icono.
Personas Reales y Referencias
- Busca en la web primero para confirmar identidad, rol, relación o evento, incluso cuando parezca obvio.
- Obtén una imagen de referencia sólida en disco (subida del usuario o búsqueda → ruta del sandbox), luego llama a
imagine_image_to_imagecon esa ruta. Una foto subida por el usuario es la mejor. - Si no existe una referencia adecuada, pide al usuario que suba una en lugar de generar a partir de una base débil.
Mostrar resultados
- Llama a
render_filecon elfile_pathdel sandbox para que el usuario vea la imagen/video en el chat. - Para tu propio control de calidad y scripts,
read_file/ shell en esa ruta.
Los sprites y mapas de juegos tienen sus propios pipelines — sigue generate2dsprite,
video2dsprite y generate2dmap para esos.
Modos de fallo a evitar
- Llamar a nombres consolidados
imagine_imageoimagine_video(no están disponibles). - Pasar una lista a
imagine_image_to_image/imagine_image_to_video(fuente singular únicamente). - Inventar una ruta del sistema de archivos que la herramienta nunca devolvió.
- Ejecutar chroma/ffmpeg en una ruta que inventaste sin una generación real/
file_path.