xAI上线Imagine多镜头视频智能体
xAI宣布Grok Imagine Video 1.5智能体上线，把编程式智能体流程与图像、视频模型叠在一起，用来规划叙事并拼接多镜头。驱动层换上最新Image 2.0，官方口径是画质更高、叙事更完整，多镜头之间的人物与场景连续性更强。
Video 1.5本身并非全新底座。该模型已于6月在Imagine API全面开放，并推出加速版Fast：约25秒生成6秒720p，此前同类要40秒以上。7月底补上纯文本生成视频、图像与声音参考、原生1080p。参考图最多可锁七个元素，声音参考用来固定同一张脸和同一条声线。音效、环境声和对白可与画面同一次推理生成。
智能体这一层要解决的是单段15秒不够用的问题：先拆故事节拍，再按镜头生成，再把多段接成一条。官方演示强调“把多镜头连起来时连贯性更好”。产品经理Andrew Milich将其描述为编码智能体的规划能力，加上图像与视频模型的生成能力，用来做有判断的叙事，而不是一次性吐一段随机短片。
Image 2.0负责1K或2K静帧，强调排版、构图和指令跟随，并带分区编辑与分割工具。视频API按时长和分辨率计价，公开档位约为480p每秒0.08美元、720p每秒0.14美元、1080p每秒0.25美元，另加参考图输入费用。消费端水印不可去除。入口覆盖grok.com/imagine以及iOS、Android。
竞品对照上，Video 1.5预览期曾登上图像转视频榜前列，后续公开评测里与Gemini Omni Flash等模型分差收窄。OpenAI的Sora一度因资源和商业模式问题收缩，谷歌Veo、Seedance、通义万相仍在同一条短视频赛道抢创作者工作流。xAI把差异放在“智能体导演”而不是单模型跑分。
市场机制上，买方是短剧、广告和角色一致性要求高的创作者，卖方是按秒计费的生成API。资金从单次提示词试错，转向可复用的角色参考、声音锁和项目级多智能体并行。受益方是能把15秒切片卖成可连播叙事的平台；承压方是只卖单镜头、无法锁脸锁声的旧工具。事件驱动明确：模型已经在，缺的是能把镜头接成故事的调度层。
补充层面，官方未公布智能体一次可规划的镜头上限、最长成片时长，以及Image 2.0与Video 1.5在参考视频编辑上的接口边界；第三方工具站已开始接入Video 1.5与Image 2.0。
来源：公开信息
ABAB AI 解读
xAI做视频的路径和做大模型一样：先把生成器塞进Grok，再把工作流收成产品。Imagine从静帧Aurora走到Video 1.0、1.5，再到Image 2.0，中间夹过安全争议和深度伪造批评。Andrew Milich把这一次命名成“智能体”，等于承认单模型生成解决不了创作者真正付钱的问题——不是一张图动起来，而是同一角色在下一镜里还是同一个人。历史对照是Runway先卖Gen-2再卖多镜头工具、Pika先卖玩法再补一致性，最后都卡在“续上一段就崩脸”。
资本调动指向API计费和订阅分层。1080p每秒0.25美元把长视频做成可预测的云成本，SuperGrok更高等级先拿到参考图和声音锁，再向全量用户放量。动机是把Grok从聊天窗口变成 generativestudio：用户不再只消耗文字token，而是消耗以秒计的影像产能。这和CoreWeave抢Rubin机柜是同一逻辑的另一端——上游抢算力密度，下游抢每秒视频的定价权。
类比对象是Adobe把Firefly嵌进Premiere、OpenAI把Sora嵌进ChatGPT却在商业化上收缩、谷歌把Veo放进Gemini工作流。xAI处在从“模型发布”转入“控制创作入口”的阶段。谁掌握分镜规划，谁就不必在每一镜上重新打仗；智能体就是把提示词升级成制片流程。
结构判断属于技术替代。机制是：当单镜头画质差距缩小，竞争从像素转向连续性。能锁脸、锁声、锁场景的调度层，会替代剪辑台上大量人工对齐。生成视频不再按“一条提示词”出售，而按“一场戏能否成立”出售。定价权因此从模型跑分榜，转移到能把多镜头当成一个项目来管的平台。
ABAB News · 认知定律
单镜头拼画质，多镜头拼身份。
模型生成画面，智能体生成结构。
先锁住角色，才锁得住时长。