xAI上線Imagine多鏡頭視頻智能體
xAI宣佈Grok Imagine Video 1.5智能體上線，把編程式智能體流程與圖像、視頻模型疊在一起，用來規劃敘事並拼接多鏡頭。驅動層換上最新Image 2.0，官方口徑是畫質更高、敘事更完整，多鏡頭之間的人物與場景連續性更強。
Video 1.5本身並非全新底座。該模型已於6月在Imagine API全面開放，並推出加速版Fast：約25秒生成6秒720p，此前同類要40秒以上。7月底補上純文本生成視頻、圖像與聲音參考、原生1080p。參考圖最多可鎖七個元素，聲音參考用來固定同一張臉和同一條聲線。音效、環境聲和對白可與畫面同一次推理生成。
智能體這一層要解決的是單段15秒不夠用的問題：先拆故事節拍，再按鏡頭生成，再把多段接成一條。官方演示強調“把多鏡頭連起來時連貫性更好”。產品經理Andrew Milich將其描述爲編碼智能體的規劃能力，加上圖像與視頻模型的生成能力，用來做有判斷的敘事，而不是一次性吐一段隨機短片。
Image 2.0負責1K或2K靜幀，強調排版、構圖和指令跟隨，並帶分區編輯與分割工具。視頻API按時長和分辨率計價，公開檔位約爲480p每秒0.08美元、720p每秒0.14美元、1080p每秒0.25美元，另加參考圖輸入費用。消費端水印不可去除。入口覆蓋grok.com/imagine以及iOS、Android。
競品對照上，Video 1.5預覽期曾登上圖像轉視頻榜前列，後續公開評測裏與Gemini Omni Flash等模型分差收窄。OpenAI的Sora一度因資源和商業模式問題收縮，谷歌Veo、Seedance、通義萬相仍在同一條短視頻賽道搶創作者工作流。xAI把差異放在“智能體導演”而不是單模型跑分。
市場機制上，買方是短劇、廣告和角色一致性要求高的創作者，賣方是按秒計費的生成API。資金從單次提示詞試錯，轉向可複用的角色參考、聲音鎖和項目級多智能體並行。受益方是能把15秒切片賣成可連播敘事的平臺；承壓方是隻賣單鏡頭、無法鎖臉鎖聲的舊工具。事件驅動明確：模型已經在，缺的是能把鏡頭接成故事的調度層。
補充層面，官方未公佈智能體一次可規劃的鏡頭上限、最長成片時長，以及Image 2.0與Video 1.5在參考視頻編輯上的接口邊界；第三方工具站已開始接入Video 1.5與Image 2.0。
來源：公開信息
ABAB AI 解讀
xAI做視頻的路徑和做大模型一樣：先把生成器塞進Grok，再把工作流收成產品。Imagine從靜幀Aurora走到Video 1.0、1.5，再到Image 2.0，中間夾過安全爭議和深度僞造批評。Andrew Milich把這一次命名成“智能體”，等於承認單模型生成解決不了創作者真正付錢的問題——不是一張圖動起來，而是同一角色在下一鏡裏還是同一個人。歷史對照是Runway先賣Gen-2再賣多鏡頭工具、Pika先賣玩法再補一致性，最後都卡在“續上一段就崩臉”。
資本調動指向API計費和訂閱分層。1080p每秒0.25美元把長視頻做成可預測的雲成本，SuperGrok更高等級先拿到參考圖和聲音鎖，再向全量用戶放量。動機是把Grok從聊天窗口變成 generativestudio：用戶不再只消耗文字token，而是消耗以秒計的影像產能。這和CoreWeave搶Rubin機櫃是同一邏輯的另一端——上游搶算力密度，下游搶每秒視頻的定價權。
類比對象是Adobe把Firefly嵌進Premiere、OpenAI把Sora嵌進ChatGPT卻在商業化上收縮、谷歌把Veo放進Gemini工作流。xAI處在從“模型發佈”轉入“控制創作入口”的階段。誰掌握分鏡規劃，誰就不必在每一鏡上重新打仗；智能體就是把提示詞升級成製片流程。
結構判斷屬於技術替代。機制是：當單鏡頭畫質差距縮小，競爭從像素轉向連續性。能鎖臉、鎖聲、鎖場景的調度層，會替代剪輯臺上大量人工對齊。生成視頻不再按“一條提示詞”出售，而按“一場戲能否成立”出售。定價權因此從模型跑分榜，轉移到能把多鏡頭當成一個項目來管的平臺。
ABAB News · 認知定律
單鏡頭拼畫質，多鏡頭拼身份。
模型生成畫面，智能體生成結構。
先鎖住角色，才鎖得住時長。