Imagine
Grok Build 使用分拆的 Imagine 電腦堆疊(grok_computer 變體)。
沒有統一的 imagine_image 或 imagine_video 工具——務必
從下表呼叫特定於模態的名稱。
| 工具 | 角色 |
|---|---|
imagine_text_to_image | 僅從文字提示生成新圖片(無來源)。 |
imagine_image_to_image | 編輯/重新設計一個現有圖片(沙箱路徑)。 |
imagine_reference_to_image | 結合 2+ 張參考圖片(沙箱路徑)。 |
imagine_text_to_video | 僅從文字提示生成新影片(無來源)。 |
imagine_image_to_video | 將一個靜態圖片(沙箱路徑)動畫化為影片。 |
imagine_reference_to_video | 從 1+ 張參考圖片(沙箱路徑)生成影片。 |
render_file | 在聊天中向使用者顯示沙箱圖片/影片路徑。 |
基於路徑的控制代碼。 這些工具讀寫共用的沙箱:
- 生成作業會回傳一個沙箱
file_path(位於 artifacts 下)。使用read_file/ shell 開啟;使用render_file向使用者顯示。 - 編輯/動畫化工具接受該路徑(或多個路徑)作為輸入——比對即時結構描述
(
image、images等)。切勿發明路徑。 - 切勿呼叫
imagine_image/imagine_video。資產 ID 輔助工具 (imagine_create_asset/imagine_view_media/render_imagine_media) 不在此堆疊中。
每當您考慮或即將呼叫這些工具時,請套用此原則。
處理流程(強制思維模型)
生成 → file_path → render_file(顯示給使用者) / read_file 或腳本(品質檢查)
編輯 / 動畫化 → 將先前的 file_path 傳入 image_to_* / reference_to_*
- 使用工具實際回傳的路徑——不要發明檔案系統路徑。
- 使用
render_file向使用者顯示媒體,不要使用臨時的 Markdown 圖片連結。
使用程式碼建構精確的視覺內容,而非影像工具
- 影像模型在處理精確文字、數字和結構時不可靠。 它們可以處理簡短文字或簡單版面,但常常扭曲文字、憑空創造數字、繪製與資料不符的圖表長條,或讓圖解箭頭指向無意義的方向,而且要求越精確,表現越差。詳細的提示詞無法使其可靠,而另一次
imagine_image_to_image編輯通常也無法修正。因此,當結果需要正確的特定文字、資料或結構時(來自真實數字的圖表、有標籤的技術圖解、數學說明、表格、含有真實內容的畫面),請使用程式碼建構資產,這樣您才能控制確切內容。偏好使用 HTML 和 CSS,其在版面、排版和精緻度上遠優於 Python 繪圖。只有在視覺效果重要時(照片、插圖、角色、場景、裝飾藝術),影像工具才是正確選擇。應根據輸出需要達成哪些正確性來決定使用何種工具,而非根據請求的措辭。
驗證離散精確性(循環)
當輸出必須正確呈現特定文字、數字、資料或結構時,不要信任第一次的結果——以循環方式驗證:
- 產生結果(生成,或依據使用程式碼建構精確的視覺內容,用程式碼建構)。
- 檢查實際輸出——對結果路徑使用
read_file(影像理解)——確認每個詞彙、數字、標籤和結構細節都符合要求,且沒有任何元素重疊、被裁剪或超出畫布。 - 如果任何地方有誤,修正並重新驗證:
- 來自影像模型的文字扭曲、數字錯誤或版面損壞?不要只是重試提示詞——很可能又會扭曲。改用程式碼重建。
- 以程式碼建構的輸出中元素重疊或遭裁剪?使用自動版面(HTML/CSS)重新佈局,而非手動調整座標。
- 否則,透過
imagine_image_to_image並帶入先前的路徑,進行一次有針對性的編輯。
- 只有在離散內容完全正確時才完成。如果無法使其準確,請告知使用者,而不是交付錯誤的內容。
核心原則
- 您掌握提示詞。 如果使用者提供了詳細的提示詞或要求您使用他們的,請逐字使用。否則,您應撰寫最終提示詞:將主體放在前面,針對情緒、構圖、燈光和風格給予強而有力的高階方向,但不要過度指定每個細節;使用自然的散文而非關鍵字標籤;以正面描述代替負面提示。對於編輯,僅描述變更。目標為 2-5 句話。
- 真人形象以參考為優先。 切勿對具名的真人或群體使用純文字轉圖片,包括換臉、海報、卡通以及電影或編輯性描繪。改為搭配真實參考路徑使用
imagine_image_to_image,且絕不產出未經同意、性化或涉及未成年人的肖像。請參閱「真人與參考」中的程序。 - 先搜尋事實再生成。 如果請求的任何部分依賴於真實世界的事實、身份、品牌或產品、地點、事件,或最新/當前的結果,請在生成前搜尋網路,並將實際驗證過的細節放入提示詞中。不要依賴記憶,也不要撰寫模糊的佔位符,例如「現任總統」;請寫出經查證的姓名。
- 為保持一致性重用基底。 當同一個角色、物體或場景必須出現在多張圖片中時,使用
imagine_text_to_image生成一個基底,保留其file_path,然後將該路徑傳遞給imagine_image_to_image進行每個變體。不要為重複出現的主題每次都從頭重新執行文字轉圖片。 - 優雅處理失敗。 遇到審核或安全封鎖時,停止;不要重試,也不要改寫提示詞以規避過濾器。告知使用者已被封鎖,並提供不同的方向。如果參考品質不佳或結果看起來不對勁,請明確指出,並要求上傳或重新導向,而非默默迭代。
- 規劃多步驟工作流程。 規劃步驟順序;僅可並行化屬於同一步驟的生成作業。
- 最後進行審查。 確認您預期要生成的內容確實已執行,且符合要求。使用
render_file渲染最終資產。 - 不要假設工具行為。 不要發明實際未提供的工具參數、回傳值或環境功能;先驗證而非猜測。
選擇工具
| 情境 | 呼叫 |
|---|---|
| 新圖片,無來源 | imagine_text_to_image,使用 prompt(+ aspect_ratio) |
| 編輯/重新設計/重新著色一張現有圖片 | imagine_image_to_image,使用 prompt + 來源路徑 |
| 將 2+ 張參考圖片合成一張 | imagine_reference_to_image,使用 prompt + 來源路徑 |
| 對先前的結果進行迭代 | imagine_image_to_image,使用先前的路徑 |
| 具名的真人或群體 | 網路搜尋後,使用真實參考路徑呼叫 imagine_image_to_image |
| 從無到有創作一般/虛構的主題 | imagine_text_to_image |
| 新影片,無來源 | imagine_text_to_video,使用 prompt |
| 將一個靜態圖片動畫化 | imagine_image_to_video,使用該靜態圖片的路徑 |
| 多參考影片 | imagine_reference_to_video,使用圖片路徑 |
經驗法則:無參考 → text_to_;一個參考 → image_to_;2+ 參考 → reference_to_*。
imagine_text_to_image
從文字提示生成新圖片。
輸入:
prompt(必填)- 對所需圖片的完整描述。aspect_ratio- 可為1:1、3:4、4:3、2:3、3:2、9:16、16:9、21:9、5:2、50:11或unknown之一。為 OG 分享卡片使用16:9,為遊戲生成自訂public/x-banner.jpg時使用50:11作為 X 動態橫幅(每個應用程式都連接x:game:image;只有遊戲會為此呼叫 Imagine——請參閱og技能);如需真正的 2:1 畫布,請呼叫 xAI Images API。
要產生多個變體,請使用不同的提示詞進行多次 imagine_text_to_image 呼叫。此工具不提供 n 或 count 參數。
imagine_image_to_image
編輯一張現有圖片。
輸入(名稱遵循即時結構描述——通常是單一的沙箱路徑):
prompt(必填)- 要變更的內容(僅描述編輯)。- 來源路徑欄位(必填)- 由先前的生成或下載回傳的沙箱路徑。
aspect_ratio- 僅在使用者明確要求變更比例時設定。
imagine_reference_to_image
從 2+ 個參考路徑合成一張圖片。
輸入:
prompt(必填)。- 來源路徑(必填)- 2+ 個沙箱路徑。
aspect_ratio- 選填。
對於單一來源的編輯,請改用 imagine_image_to_image。
imagine_text_to_video
僅從文字提示生成新影片(無來源影格)。
輸入:
prompt(必填)- 簡短的現在式鏡頭描述。duration/aspect_ratio/ 解析度欄位,依即時結構描述暴露的為準。
偏好簡短的鏡頭;提示詞撰寫規則與下方的圖片轉影片相同。
imagine_image_to_video
將一個靜態圖片動畫化為影片。
輸入:
- 單一來源靜態圖片路徑(必填)。
prompt- 簡短的現在式鏡頭(建議使用;部分變體要求必填)。duration-6(預設)、10或15(當有暴露時)。aspect_ratio- 選填;動畫化單一圖片時省略以保持來源比例。
偏好簡短的鏡頭。 將影片建構為一系列預先規劃的短片,而非一個長鏡頭:
- 將故事規劃為鏡頭——每個鏡頭一個節拍。
- 偏好較多 6 秒的鏡頭,而非較少的長鏡頭。
- 使用
imagine_text_to_image/imagine_image_to_image建立每個鏡頭的來源靜態圖片(保持角色路徑一致)。 - 使用
imagine_image_to_video+ 該靜態圖片路徑進行動畫化。
關鍵行為:
- 提示詞撰寫: 用 1-2 句話描述一個簡短、生動的現在式時刻,並附帶明確的攝影機運動。
- 最小但有趣: 一個明確的主體和一個簡單的動作或攝影機運動。
- 來源複雜? 讓主體固定,僅移動攝影機,或分解成更簡單的鏡頭。
- 真人: 以參考為優先——從驗證過的參考出發;絕不對無參考的具名人物進行動畫化。
- 除非被要求,否則不要循環同一個剪輯。
- 使用 FFmpeg stream copy 在回傳的影片路徑上組裝多鏡頭時間軸。
imagine_reference_to_video
從一個或多個參考圖片路徑,並由提示詞引導生成影片。當目標是獲得一個乾淨的第一影格時,偏好先使用 imagine_reference_to_image 合成一個靜態圖片,再使用 imagine_image_to_video。
撰寫強而有力的提示詞
大致按此順序描述:主體 -> 動作/姿勢 -> 設定 -> 風格 -> 構圖 -> 燈光/情緒 -> 關鍵細節。
- 具體而具體;以最重要的元素開頭。
- 陳述要包含的內容,而非要排除的內容。
- 每個提示詞使用一個連貫的場景。
- 將
aspect_ratio匹配用例:9:16用於手機/限時動態,16:9用於橫幅/影片影格或 OG 分享卡片,1:1用於大頭貼/圖示。
真人與參考
- 先搜尋網路以確認身份、角色、關係或事件,即使看似顯而易見。
- 在磁碟上取得一張強而有力的參考圖片(使用者上傳或搜尋 → 沙箱路徑),然後使用該路徑呼叫
imagine_image_to_image。使用者上傳的照片是最佳選擇。 - 如果沒有合適的參考,要求使用者上傳一張,而不是從薄弱的基底生成。
顯示結果
- 使用沙箱
file_path呼叫render_file,讓使用者在聊天中看到圖片/影片。 - 對於您自己的品質檢查和腳本,請對該路徑使用
read_file/ shell。
遊戲精靈和地圖有自己的流程——請遵循 generate2dsprite、
video2dsprite 和 generate2dmap。
應避免的失敗模式
- 呼叫統一名稱
imagine_image或imagine_video(它們不可用)。 - 將列表傳遞給
imagine_image_to_image/imagine_image_to_video(僅接受單一來源)。 - 發明工具從未回傳的檔案系統路徑。
- 在沒有實際生成/
file_path的情況下,對您編造的路徑執行 chroma/ffmpeg。