Grok Imagine Image 2.0 vs Flux 3: O Editor Lançado vs a Promessa Multimodal

Este é um confronto direto em que apenas um lado é realmente acionável, e a versão honesta desse título é a própria comparação. Grok Imagine Image 2.0, o modelo de imagem focado em edição da x​AI, lançado nos aplicativos G​rok em 7 de agosto de 2026 — na mesma semana em que entrou na Arena pública Text-to-Image em segundo lugar, com Elo 1.320 (preliminar), atrás apenas do GPT Image 2, com 1.380. Flux 3, o modelo de fundação multimodal unificado da Black Forest Labs anunciado em 23 de julho, treina a previsão de imagens, vídeos, áudio e ações de robôs em um único conjunto de pesos — mas sua camada de imagem ainda não tem endpoint público, nem preço, nem demo divulgada até hoje, 8 de agosto. Um modelo você pode acionar ainda esta tarde; o outro é a versão de imagem que todos acompanham desde o fim de julho e que ninguém consegue executar ainda. Essa assimetria é a história toda, e é ela que decide o que uma comparação justa sequer seria.

O placar

Nas dimensões em que essa combinação realmente se concentra, aqui está como cada lado se encontra hoje. Os números do Grok Imagine Image 2.0 vêm do painel público da Arena e da documentação própria da xAI; o status da imagem do Flux 3 segue o anúncio de 23 de julho da Black Forest Labs e os documentos atuais da BFL, e todas as alegações de roadmap do lado do Flux 3 são informadas pelo fornecedor e não verificadas até que o endpoint exista.

• Disponibilidade — Grok Imagine Image 2.0 está disponível nos apps G​rok (web, iOS, Android) desde 7 de agosto vs tier de imagem do Flux 3, anunciado em 23 de julho e ainda não lançado.

Text-to-Image Arena — Grok Imagine Image 2.0 #2 com Elo 1.320, marcado como preliminar, no quadro público vs. imagem Flux 3 sem classificação e sem entrada.

• Edição — Grok Imagine Image 2.0 inclui Varinha Mágica, segmentação, remoção de fundo e entrada com múltiplas referências, enquanto a imagem do Flux 3 promete edição "entre estilos e proporções", sem demonstração lançada.

• Texto em imagem — Grok Imagine Image 2.0 afirma ter tipografia planejada por designers e texto pequeno mais nítido, enquanto o Flux 3 promete renderização de texto multilíngue dentro de imagens.

• Preço — Grok Imagine Image 2.0 $0.02–$0.05 por imagem na API da x​AI vs. imagem Flux 3 sem preço; apenas o nível de vídeo ($0.06–$0.54/s) é cobrado hoje.

• API — API de desenvolvedores do Grok Imagine Image 2.0 aberta, com o ID do modelo Image 2.0 ainda não confirmado; já para a imagem Flux 3, não há endpoint.

Por que este confronto não pode ser um tiroteio normal

Uma comparação comum de modelos de imagem enfileira os mesmos prompts em ambos os endpoints e faz o diff das saídas. Você não pode fazer isso aqui, porque existe apenas um endpoint. O Grok Imagine Image 2.0 pode ser chamado por meio dos próprios aplicativos da xAI e da API para desenvolvedores — a API para desenvolvedores está ativa desde a geração de março do modelo de imagem base, e o ID de modelo de API dedicado do Image 2.0 ainda não foi confirmado, um ponto que importa para quem está planejando em torno disso. O modelo de imagem Flux 3 não pode ser chamado em lugar nenhum: a própria documentação da BFL mostra atualmente apenas "Vídeo com áudio sincronizado, disponível agora", com uma nota de que "mais modalidades são entregues no mesmo formato de requisição conforme forem lançadas". Portanto, a comparação direta honesta é sobre o que cada lado já entregou, o que prometeu e com o que você pode construir hoje. Essa é uma comparação real; só não é uma de benchmark.

O conjunto de ferramentas de edição é onde o Image 2.0 já está à frente.

O Grok Imagine Image 2.0 inclui a edição como um recurso de primeira classe, não como uma reflexão posterior. O Magic Wand edita apenas a região que você seleciona, deixando o restante do quadro intocado; a segmentação permite recolorir ou substituir uma área precisa até o material de um único objeto; a remoção de fundo exporta um assunto em uma tela transparente para reutilização em outros lugares; e a entrada de múltiplas referências aceita até cinco imagens em uma única geração, de modo que a composição de vários assuntos não exige recorte e colagem manuais. O Smart Resize recompõe em nove proporções de tela, de banners altos 1:2 a banners largos 2:1, preenchendo automaticamente o quadro quando as dimensões mudam. Ele é treinado especificamente para fotografia, design gráfico e ilustração, e vem com modelos pré-construídos para fotos de produto, retratos profissionais, listagens de e-commerce, assets de jogos e pôsteres de marketing — um posicionamento voltado diretamente para fluxos de trabalho comerciais que produzem entregáveis.

O nível de imagem do Flux 3, de acordo com o material de lançamento da BFL, promete edição "em todos os estilos e proporções" e um único modelo que lida com imagens estáticas e movimento juntos. Não há demo lançada, nem galeria de amostras, nem endpoint para testar. Na dimensão da edição, não há comparação neste momento: um já está disponível e é mensurável, o outro é uma promessa de roadmap.

Ambos estão atrás do mesmo ponto fraco: o texto dentro de imagens.

Texto legível em imagens é o problema não resolvido mais difícil na geração de imagens, e ambas as empresas miraram nele na mesma quinzena. x​AI diz que o Grok Imagine Image 2.0 planeja layout e tipografia "do jeito que um designer faria", com texto pequeno mais nítido em gráficos densos e menos palavras, logotipos e rótulos embaralhados. As melhorias declaradas pela BFL para o nível de imagem Flux 3 incluem "renderização de texto multilíngue dentro de imagens" — uma resposta direta ao mesmo modo de falha e uma das poucas alegações concretas no anúncio de julho. Nenhuma das duas capacidades foi submetida a benchmarks independentes ainda; ambas são alegações das empresas. A diferença prática é que a alegação do Image 2.0 é testável hoje com seus próprios prompts, enquanto a do Flux 3 não é testável de forma alguma.

Preço, quando apenas um lado tem preço.

{{1}}Grok Imagine Image 2.0{{/1}} é pago por imagem na {{2}}API da x​AI{{/2}}: {{3}}grok-imagine-image{{/3}} a {{4}}$0,02 por imagem{{/4}} e {{5}}grok-imagine-image-quality{{/5}} a {{6}}$0,05 por imagem{{/6}}, com um {{7}}limite de 5 requisições por segundo{{/7}}, e {{8}}edições cobradas tanto pela imagem de entrada quanto pela saída gerada{{/8}}. Nos aplicativos de consumo, ele está atrás da {{9}}assinatura SuperGrok de $30/mês{{/9}}, com o {{10}}plano gratuito{{/10}} removido {{11}}no início deste ano{{/11}} — por isso {{12}}a API, e não o aplicativo, é a referência de preço para quem desenvolve com ela{{/12}}.

O nível de imagem do Flux 3 não tem preço, porque não tem endpoint. Os únicos números publicados pela BFL são para o nível de vídeo — US$ 0,06 por segundo para rascunhos, US$ 0,17/s em HD e US$ 0,29/s em FHD para texto-para-vídeo e imagem-para-vídeo, aproximadamente o dobro para vídeo-para-vídeo — o que pelo menos sinaliza que a BFL está precificando a família Flux 3 no segmento premium do mercado. Quando o nível de imagem for lançado, um preço por imagem bem acima do piso de US$ 0,02 da xAI não seria surpreendente, mas isso é uma inferência, não um fato; a afirmação precisa é que a BFL não divulgou nenhum preço de imagem.

O que o Flux 3 traz que o Image 2.0 não consegue

A justificativa para o Flux 3 nunca foi sobre as imagens estáticas atuais. A BFL treinou um único conjunto de pesos em imagem, vídeo, áudio e ação robótica, de modo que o "modelo de imagem" é o mesmo modelo que depois gera fala e efeitos sincronizados, anima keyframes fornecidos em clipes de 20 segundos e — no longo prazo — prevê o comportamento de robôs. Se o seu pipeline precisa que a identidade de um sujeito sobreviva de uma imagem estática para uma peça em movimento, ou deseja um único formato de solicitação que cubra todas as modalidades, essa é uma aposta arquitetural que um produto de imagens estáticas e edição como o Grok Imagine Image 2.0 não faz.

O contrapeso é que o Grok Imagine Image 2.0 é um produto real com uma posição real — ainda que preliminar — no Arena hoje, e a imagem Flux 3 é uma promessa que já viu sua camada irmã ser lançada: o FLUX 3 Video tornou-se geralmente disponível em 4 e 5 de agosto, enquanto a camada de imagem permanece em "próximas semanas". A ambição multimodal não é um ponto final.

Quem deve escolher qual

Se você precisa de edição de imagem para produção neste trimestre — remoção de fundo, edições de região, composição multi-referência — o Grok Imagine Image 2.0 é o único dos dois que você pode adotar de fato, e seu preço de US$ 0,02–US$ 0,05 por imagem torna um teste sistemático dos seus próprios prompts barato o suficiente para simplesmente executar. Se você está planejando um pipeline que abranja imagens paradas, movimento e áudio a partir de um único modelo, e pode se dar ao luxo de esperar, o Flux 3 image é a aposta mais interessante — mas é uma aposta não lançada, sem data comprometida além de "nas próximas semanas" e sem preço.

Nenhum dos dois modelos está no OrcaRouter hoje: a x​AI distribui o Image 2.0 por meio de seus próprios aplicativos e da API para desenvolvedores, e a BFL disponibiliza por meio de sua própria API; nenhum dos dois chegou ainda a hosts de terceiros. Quando isso acontecer, vale a pena rodar os dois por uma única camada de roteamento — um A/B por imagem em seus próprios prompts, failover automático para um gerador comprovado enquanto qualquer um deles ainda é novo, e repasse com markup de 0%, para que a tabela de preços que você vê seja o preço de lista do provedor, com qualquer comissão creditada no mesmo dia. É assim que você adota um modelo de dois dias e um ainda não lançado sem apostar um caminho de produção em nenhum deles.

A conclusão

A disputa entre Grok Imagine Image 2.0 e Flux 3 não está acirrada neste momento, porque não há disputa — apenas um concorrente está na pista. O Image 2.0 entrega um kit de edição capaz por um preço por imagem, com uma classificação no Arena que é real, porém preliminar, e um ranking de edição citado pela xAI, não confirmado de forma independente. O Flux 3 image é a arquitetura mais ambiciosa, ainda não lançada, sem preço e sem demonstração. Se você precisa de imagens hoje, a escolha é óbvia. Se você está apostando para onde a geração de imagens está caminhando, fique de olho no nível de imagem do Flux 3 — e trate toda afirmação de roadmap como não verificada até que o endpoint exista.