Grok Imagine Image 2.0 vs Flux 3: Trình chỉnh sửa đã phát hành vs Lời hứa đa phương thức

Đây là một cuộc đối đầu trực diện mà chỉ một bên thực sự có thể gọi được, và phiên bản trung thực của tiêu đề đó chính là bản thân sự so sánh. Grok Imagine Image 2.0, mô hình hình ảnh lấy chỉnh sửa làm trọng tâm của xAI, được phát hành trong các ứng dụng Grok vào ngày 7 tháng 8 năm 2026 — cùng tuần nó tham gia Text-to-Image Arena công khai ở vị trí thứ hai với Elo 1,320 (sơ bộ), chỉ xếp sau GPT Image 2 với 1,380. Flux 3, mô hình nền tảng đa phương thức hợp nhất của Black Forest Labs được công bố vào ngày 23 tháng 7, huấn luyện dự đoán hình ảnh, video, âm thanh và hành động robot trong một bộ trọng số duy nhất — nhưng tính đến hôm nay, ngày 8 tháng 8, tầng hình ảnh của nó vẫn chưa có endpoint công khai, chưa có giá và chưa có bản demo nào được phát hành. Một mô hình bạn có thể gọi ngay chiều nay; mô hình còn lại là bản phát hành hình ảnh mà mọi người đã theo dõi từ cuối tháng 7 mà đến giờ vẫn chưa ai chạy được. Sự bất đối xứng đó chính là toàn bộ câu chuyện, và nó quyết định một sự so sánh công bằng thực sự sẽ ra sao.

Bảng tỷ số

Về các khía cạnh mà cặp so sánh này thực sự dựa vào, đây là vị thế hiện tại của mỗi bên. Số liệu của Grok Imagine Image 2.0 đến từ bảng xếp hạng Arena công khai và tài liệu của chính xAI; trạng thái của mô hình tạo ảnh Flux 3 theo thông báo ngày 23 tháng 7 của Black Forest Labs và tài liệu BFL hiện tại, và mọi tuyên bố về lộ trình phía Flux 3 đều do nhà cung cấp báo cáo và chưa được xác minh cho đến khi endpoint thực sự tồn tại.

• Tính khả dụng — Grok Imagine Image 2.0 đã có mặt trên các ứng dụng G​rok (web, iOS, Android) kể từ ngày 7 tháng 8, trong khi gói hình ảnh Flux 3 được công bố vào ngày 23 tháng 7 nhưng vẫn chưa được phát hành.

• Text-to-Image Arena — Grok Imagine Image 2.0 đứng #2 với Elo 1.320, được gắn nhãn sơ bộ, trên bảng xếp hạng công khai; còn Flux 3 image thì không được xếp hạng và không có mục nhập.

• Chỉnh sửa — Grok Imagine Image 2.0 ra mắt với Magic Wand, phân đoạn, xóa nền và đầu vào đa tham chiếu, trong khi hình ảnh Flux 3 hứa hẹn chỉnh sửa "trên mọi phong cách và tỷ lệ khung hình," nhưng chưa có bản demo được phát hành.

• Văn bản trong hình ảnh — Grok Imagine Image 2.0 tuyên bố sở hữu kiểu chữ được thiết kế bài bản và văn bản nhỏ sắc nét hơn, trong khi Flux 3 hứa hẹn kết xuất văn bản đa ngôn ngữ trong hình ảnh.

• Giá — Grok Imagine Image 2.0: $0.02–$0.05 mỗi ảnh trên API của xAI so với ảnh Flux 3 chưa được định giá; hiện chỉ có gói video ($0.06–$0.54/giây) được tính phí.

• API — API nhà phát triển Grok Imagine Image 2.0 đã mở, ID model Image 2.0 vẫn chưa được xác nhận, trong khi Flux 3 image chưa có endpoint nào tồn tại.

Tại sao cuộc đối đầu này không thể là một loạt sút luân lưu bình thường

Một phép so sánh mô hình hình ảnh thông thường sẽ đưa cùng một prompt vào cả hai endpoint rồi đối chiếu đầu ra. Bạn không thể làm điều đó ở đây, vì chỉ có một endpoint duy nhất. Grok Imagine Image 2.0 có thể gọi qua các ứng dụng riêng của x​AI và developer API — developer API đã hoạt động từ thế hệ tháng 3 của mô hình hình ảnh cơ sở, và ID mô hình API chuyên dụng của Image 2.0 vẫn chưa được xác nhận, một điểm quan trọng cho bất kỳ ai đang lên kế hoạch dựa vào nó. Flux 3 image không thể gọi ở bất kỳ đâu: tài liệu của chính BFL hiện chỉ hiển thị "Video có âm thanh đồng bộ, hiện đã có mặt," kèm ghi chú rằng "các phương thức khác sẽ được phân phối trên cùng một định dạng yêu cầu khi chúng ra mắt." Vì vậy, cuộc so sánh trực diện trung thực xoay quanh những gì mỗi bên đã phát hành, những gì họ đã cam kết, và những gì bạn có thể xây dựng ngay hôm nay. Đó là một phép so sánh thực sự; chỉ có điều nó không phải kiểu so sánh benchmark.

Bộ công cụ chỉnh sửa là nơi Image 2.0 đã đi trước.

Grok Imagine Image 2.0 ra mắt tính năng chỉnh sửa như một tính năng hạng nhất, chứ không phải bản bổ sung sau. Magic Wand chỉ chỉnh sửa vùng bạn chọn, giữ nguyên phần còn lại của khung hình; phân đoạn (segmentation) cho phép bạn đổi màu hoặc thay thế một khu vực chính xác đến từng chất liệu của một vật thể; xóa phông xuất đối tượng lên nền trong suốt để tái sử dụng ở nơi khác; và đầu vào đa tham chiếu chấp nhận tối đa năm hình ảnh trong một lần tạo, nên việc ghép nhiều đối tượng không cần cắt-dán thủ công. Smart Resize tái bố cục trên chín tỷ lệ khung hình, từ banner dọc 1:2 đến banner ngang 2:1, tự động lấp đầy khung hình khi kích thước thay đổi. Công cụ này được huấn luyện riêng cho nhiếp ảnh, thiết kế đồ họa và minh họa, đồng thời đi kèm các mẫu dựng sẵn cho ảnh sản phẩm, ảnh chân dung, danh sách thương mại điện tử, tài sản trò chơi và poster tiếp thị — một định vị nhắm thẳng vào các quy trình làm việc thương mại tạo ra sản phẩm bàn giao.

Gói hình ảnh của Flux 3, theo tài liệu ra mắt của BFL, hứa hẹn khả năng chỉnh sửa "trên mọi phong cách và tỷ lệ khung hình" cùng một mô hình duy nhất xử lý cả ảnh tĩnh lẫn chuyển động. Hiện chưa có bản demo được phát hành, chưa có thư viện mẫu, cũng chưa có endpoint để thử nghiệm. Xét về khía cạnh chỉnh sửa, hiện tại chưa thể nói là ngang cơ: một bên đã được phát hành và đo lường được, còn bên kia chỉ mới là tuyên bố trên lộ trình phát triển.

Cả hai đều đang nhắm vào cùng một điểm yếu: văn bản bên trong hình ảnh

Văn bản dễ đọc trong hình ảnh là bài toán khó nhất chưa được giải quyết trong lĩnh vực tạo hình ảnh, và cả hai nhà cung cấp đều nhắm vào vấn đề này trong cùng một khoảng thời gian hai tuần. xAI cho biết Grok Imagine Image 2.0 lên kế hoạch bố cục và kiểu chữ "theo cách một nhà thiết kế sẽ làm," với văn bản nhỏ sắc nét hơn trong đồ họa dày đặc và ít từ ngữ, logo, nhãn bị lỗi hơn. Những cải tiến được BFL công bố cho gói hình ảnh Flux 3 bao gồm "kết xuất văn bản đa ngôn ngữ bên trong hình ảnh" — một câu trả lời trực tiếp cho cùng một kiểu lỗi và là một trong số ít tuyên bố cụ thể trong thông báo tháng Bảy. Cả hai khả năng này vẫn chưa được kiểm chuẩn độc lập; cả hai mới chỉ là tuyên bố từ nhà cung cấp. Khác biệt thực tế là tuyên bố của Image 2.0 có thể kiểm chứng ngay hôm nay bằng prompt của chính bạn, trong khi tuyên bố của Flux 3 hoàn toàn không thể kiểm chứng được.

Giá, khi chỉ một bên có giá

Grok Imagine Image 2.0 được tính phí theo từng hình ảnh trên API của x​AI: grok-imagine-image với giá $0.02 mỗi hình ảnh và grok-imagine-image-quality với giá $0.05 mỗi hình ảnh, với giới hạn tốc độ 5 yêu cầu mỗi giây, và các lần chỉnh sửa đều bị tính phí cho cả hình ảnh đầu vào lẫn hình ảnh đầu ra được tạo ra. Trong các ứng dụng tiêu dùng, nó nằm sau gói đăng ký SuperGrok giá $30/tháng, gói miễn phí đã bị gỡ bỏ hồi đầu năm nay — đó là lý do vì sao API, chứ không phải ứng dụng, là mức giá tham chiếu cho bất kỳ ai xây dựng trên nó.

Tầng hình ảnh của Flux 3 không có giá, vì nó không có endpoint. Các con số BFL duy nhất được công bố là cho tầng video — 0,06 USD mỗi giây cho bản nháp, 0,17 USD/giây HD và 0,29 USD/giây FHD cho text-to-video và image-to-video, khoảng gấp đôi cho video-to-video — điều này ít nhất cho thấy BFL đang định giá dòng Flux 3 ở phân khúc cao cấp của thị trường. Khi tầng hình ảnh ra mắt, mức giá mỗi hình ảnh cao hơn hẳn mức sàn 0,02 USD của xAI sẽ không gây ngạc nhiên, nhưng đó là suy luận, không phải sự thật; phát biểu chính xác là BFL hoàn toàn không đưa ra mức giá nào cho hình ảnh.

Điều Flux 3 mang lại mà Image 2.0 không thể

Giá trị của Flux 3 chưa bao giờ nằm ở những bức ảnh tĩnh hiện tại. BFL đã huấn luyện một bộ trọng số duy nhất xuyên suốt hình ảnh, video, âm thanh và hành động robot, vì vậy "mô hình hình ảnh" cũng chính là mô hình mà sau này tạo ra lời nói và hiệu ứng đồng bộ, làm hoạt ảnh từ các khung hình chính được cung cấp thành các clip dài 20 giây, và — về lâu dài — dự đoán hành vi robot. Nếu pipeline của bạn cần danh tính của một chủ thể được duy trì từ ảnh tĩnh sang một tác phẩm chuyển động, hoặc muốn một dạng yêu cầu duy nhất bao quát mọi phương thức, thì đó là một đặt cược kiến trúc mà một sản phẩm chỉ phục vụ ảnh tĩnh và biên tập như Grok Imagine Image 2.0 không đưa ra.

Đối trọng nằm ở chỗ Grok Imagine Image 2.0 hiện nay là một sản phẩm thực sự với thứ hạng Arena thực — dù mới chỉ ở mức sơ bộ — còn Flux 3 image là một lời hứa đã chứng kiến phiên bản anh em của mình được ra mắt: FLUX 3 Video đã được phát hành rộng rãi vào ngày 4–5 tháng 8, trong khi phiên bản hình ảnh vẫn còn 'vài tuần tới.' Tham vọng đa phương thức không phải là đích đến.

Ai nên chọn cái nào

Nếu bạn cần chỉnh sửa hình ảnh ở quy mô sản xuất trong quý này — xóa phông nền, chỉnh sửa vùng, tổng hợp đa tham chiếu — Grok Imagine Image 2.0 là lựa chọn duy nhất trong hai sản phẩm mà bạn thực sự có thể áp dụng, và mức giá $0,02–$0,05 mỗi ảnh khiến việc kiểm tra có hệ thống các prompt của riêng bạn trở nên đủ rẻ để cứ chạy thử. Nếu bạn đang lên kế hoạch cho một quy trình xử lý bao trùm ảnh tĩnh, video và âm thanh từ một mô hình duy nhất, và bạn có thể chờ đợi, thì Flux 3 image là vụ đặt cược đáng quan tâm hơn — nhưng đó là vụ đặt cược chưa được phát hành, không có ngày cam kết nào ngoài "trong vài tuần tới" và không có giá.

Hiện tại, cả hai mô hình đều chưa có trên OrcaRouter: xAI phân phối Image 2.0 qua các ứng dụng riêng và API dành cho nhà phát triển, còn BFL phát hành qua API của riêng mình, và cả hai đều chưa xuất hiện trên các nền tảng bên thứ ba. Khi điều đó xảy ra, cả hai đáng được đưa qua một lớp định tuyến duy nhất — thử nghiệm A/B trên từng ảnh với prompt của riêng bạn, tự động chuyển dự phòng sang một trình tạo ảnh đã được kiểm chứng khi một trong hai mô hình còn non trẻ, và chuyển qua với mức phụ phí 0% để bảng giá bạn thấy là giá niêm yết của nhà cung cấp, với mọi khoản hoa hồng về tài khoản trong cùng ngày. Đó là cách bạn áp dụng một mô hình mới ra mắt được hai ngày và một mô hình chưa phát hành mà không đặt cược lộ trình sản xuất vào bất kỳ mô hình nào.

Điểm mấu chốt

{{1}}Grok Imagine Image 2.0 so với Flux 3{{/1}} không phải là cuộc đua sát sao lúc này, bởi vì nó vốn chẳng phải cuộc đua — chỉ có một đối thủ đang trên đường đua. {{2}}Image 2.0{{/2}} ra mắt bộ công cụ chỉnh sửa có năng lực với mức giá tính theo từng ảnh, cùng thứ hạng Arena thực tế nhưng mới chỉ sơ bộ và thứ hạng chỉnh sửa được x​AI trích dẫn, chưa được xác nhận độc lập. {{3}}Flux 3 image{{/3}} là kiến trúc tham vọng hơn, vẫn chưa được phát hành, chưa có giá lẫn bản demo. Nếu bạn cần hình ảnh ngay hôm nay, lựa chọn tự nó đã rõ. Nếu bạn đang đặt cược vào hướng đi của việc tạo hình ảnh, hãy theo dõi hạng ảnh của {{4}}Flux 3{{/4}} — và coi mọi tuyên bố trên lộ trình phát triển là chưa được kiểm chứng cho đến khi endpoint thực sự tồn tại.