8 promptów do Grok Imagine, które naprawdę działają

Grok Imagine 1.5 przesiadł się w warstwie obrazu na FLUX.1 od Black Forest Labs, a ta zmiana ma konkretny skutek dla sposobu pisania promptów: model reaguje na opis w języku naturalnym tak, jak fotograf czyta brief, a nie tak, jak starsze modele rozbierały listy słów kluczowych. Osiem poniższych promptów jest gotowych do wklejenia — wrzuć je do przestrzeni Grok Imagine w OmniArt, dostosuj szczegóły i generuj. Każda karta zawiera dokładny tekst promptu, to, co on daje, i jedną uwagę warsztatową o tym, dlaczego ta struktura trafia.

Ogólną teorię promptów dla wszystkich modeli w OmniArt znajdziesz w tekście jak pisać lepsze prompty. Głębsze omówienie sześciu trybów generowania Grok Imagine i matematyki kosztów daje przewodnik twórcy po Grok Imagine. Ten artykuł dotyczy konkretnie Grok Imagine 1.5 — wydania na FLUX.1 — i warsztatu promptu, który ono nagradza.

Co Grok Imagine 1.5 zmienił w promptowaniu#

Model bazowy FLUX.1 jest trenowany inaczej niż wcześniejsze architektury text-to-image. Dobrze rozbiera spójną prozę i zwykle słabo reaguje na czyste stosy słów kluczowych. Pięć nawyków podnosi jakość najpewniej:

• Język naturalny zamiast stosów słów kluczowych. Pełne zdania biją przymiotniki rozdzielone przecinkami. "A street at blue hour, lit by the hum of a convenience store sign" bije "street, night, neon, cinematic, 4K."
• Konkretne odniesienia zamiast mglistych przymiotników. "Shot on a Fujifilm XT4, 23mm f/2" mówi modelowi więcej niż "high quality photo." Nazwany sprzęt i konkretne filmy niosą realną wagę w przestrzeni latentnej.
• Dokładne nazwy kolorów zamiast "colorful". "Electric blue and hot pink" daje świadomą paletę. "Colorful" daje uśredniony szum.
• Dokładny czas zamiast "golden hour". "Late October, 5:45 pm, sun 6° above the horizon" mówi modelowi o dokładnym kącie i cieple światła. "Golden hour" jest niejednoznaczne w różnych porach roku i na różnych szerokościach geograficznych.
• Struktura wideo: temat + akcja + kamera + styl + dźwięk. Umieść rdzeń tematu i akcji w pierwszych 20–30 słowach. Jedno skupienie stylistyczne bije mieszankę. Iteruj stopniowo — zmieniaj jedną rzecz na generowanie, aż wynik się ustabilizuje, a potem idź dalej.

Pełne omówienie słownika filmowego, który przenosi się na wideo, znajdziesz w przewodniku po filmowych promptach do wideo AI — omawia dobór obiektywu, umotywowane ruchy kamery i język światła w głąb.

Osiem promptów#

1. Filmowe ujęcie produktowe (obraz)#

Co daje: czystą, wyreżyserowaną plastycznie stopklatkę, która czyta się jak profesjonalna fotografia produktowa, a nie jak wynik AI.

Dlaczego trafia: odniesienie do Fujifilm XT4 osadza naukę o kolorze i rysunek matrycy w konkretnym, istniejącym wyglądzie. Kąt światła jest podany liczbowo, co powstrzymuje model przed domyślnym rozproszonym światłem z góry. Trzymanie palety przy dwóch kolorach — ciepłe bursztynowe światła, chłodne niebiesko-szare wypełnienie cienia — nie pozwala modelowi wprowadzić trzeciej, konkurującej barwy.

2. Zbliżenie postaci z dźwiękiem (wideo)#

Co daje: moment z postacią z natywnym dźwiękiem Grok Imagine 1.5 — model generuje dialog, synchronizację ust i tło akustyczne w jednym przebiegu.

Dlaczego trafia: kwestia dialogowa jest na tyle krótka, że mieści się w czystej synchronizacji ust w 8 sekundach. Dwa osobne, nazwane źródła neonu (różowy z góry, cyjanowy z prawej) dają modelowi czytelną mapę światła i zapobiegają uśrednionemu „neonowemu miastu”. „Not cinematic drama” to ograniczenie negatywne, które prowadzi nastrój precyzyjniej niż zrobiłby to przymiotnik pozytywny.

3. Nastrojowe otoczenie — klip z tłem akustycznym (wideo)#

Co daje: budujący nastrój klip tła, idealny jako materiał podkładowy, przejście albo scena otwierająca.

Dlaczego trafia: „early November, 7 am” jest dokładniejsze niż „mglisty poranek”. Najazd opisano jako „imperceptible” i „drifting on breath”, co przekazuje tempo precyzyjniej niż „powolny najazd”. Prośba o brak muzyki nie pozwala dźwiękowi zsunąć się w podkład — model generuje zamiast tego prawdziwe tło w stylu nagrania terenowego.

4. Szybki pion do social mediów — odsłonięcie produktu (wideo)#

Co daje: energiczny klip 9:16 zbudowany pod TikToka, Reels albo Shorts — szybko cięte odsłonięcie produktu z natywnym dźwiękiem.

Dlaczego trafia: podanie 9:16 na początku ustawia proporcje obrazu przed wszystkim innym w prompcie. Oś czasu jest wypisana wprost („0–2s / 2–8s”), co pomaga modelowi poprawnie rozłożyć dwa takty, zamiast zlewać je w jeden ruch. Nazwanie konkretnych zdarzeń dźwiękowych (uderzenie, ton syntezatora) daje bardziej świadomy projekt dźwięku niż „dodaj efekty dźwiękowe”.

5. Stylizowana ilustracja (obraz)#

Co daje: graficzną ilustrację o ograniczonej palecie, która czyta się jak prawdziwy proces drukarski, a nie jak ogólna grafika cyfrowa.

Dlaczego trafia: nazwanie techniki druku (risograf) i jej konkretnych ograniczeń (dwa kolory farby, płaskie kształty, brak gradientów, przesunięcie pasowania) daje modelowi kompletny brief techniczny. „Ink misregistration” to ten rodzaj detalu z procesu fizycznego, który zakotwicza wynik w rzeczywistej estetyce — to odpowiednik nazwania konkretnego filmu w świecie FLUX.1. Bez tego model chętnie dokłada gradienty albo miesza kolory.

6. Dynamiczny ruch kamery — odjazd dronem (wideo)#

Co daje: utrzymane przez 15 sekund ujęcie odsłaniające — maksymalną długość klipu w tym modelu — zbudowane wokół jednego umotywowanego ruchu kamery.

Dlaczego trafia: ten prompt wykorzystuje pełne 15 sekund na jeden ciągły ruch, co jest najpewniejszą drogą do czystego wyniku przy takiej długości. Odjazd jest ograniczony do stałej wysokości (bez pochylenia), co powstrzymuje model przed improwizowaniem drugiej osi kamery i tworzeniem szarpanego ruchu. „LOG-style color, slight lens vignette” koduje wygląd prawdziwej kamery, nie wymagając nazw konkretnego sprzętu.

7. Stylizowana moda — portret na konkretnym filmie (obraz)#

Co daje: portret fotografii analogowej z wiernym oddaniem koloru vintage — autentyczną ziarnistością, halacją i przesunięciami barw przeterminowanego filmu.

Dlaczego trafia: „expired Kodak Portra 400” to jedno z najmocniejszych jednofrazowych odniesień stylistycznych w przestrzeni latentnej obrazu — niesie kompletny zestaw oczekiwań tonalnych. Podanie przesunięcia koloru („greens shifted slightly toward yellow-olive”) zapobiega ogólnej ziarnistości retro i prowadzi do dokładnie tego zepsucia palety, które kojarzy się z przeterminowanym filmem. Ciasny kadr i konkretne proporcje obrazu (4:5) dają portret, który czyta się jak prawdziwa odbitka.

8. Immersyjne otoczenie — ulewa (wideo)#

Co daje: immersyjny klip otoczenia z jednego punktu widzenia — mocny jako ujęcie otwierające albo samodzielny kawałek nastrojowy.

Dlaczego trafia: „late June 22:00” określa dokładną porę roku, odczucie temperatury (wilgotny letni deszcz) i poziom ciemności. Przejeżdżający rowerzysta jest zasadzony jako konkretne zdarzenie w konkretnym momencie („about 2 seconds in mid-clip”), co daje modelowi kotwicę narracyjną bez proszenia o złożone działanie postaci. Dźwięk jest podany w trzech osobnych warstwach (deszcz na szkle, syk opon, motocykl), co zwykle daje bardziej przemyślany projekt dźwięku niż jedna instrukcja „ambient city rain”.

Jak puścić to w OmniArt#

Wszystkie osiem promptów działa na Grok Imagine 1.5 w przestrzeni tworzenia OmniArt — bez osobnej subskrypcji xAI. Prompty obrazowe (1, 5, 7) idą do przestrzeni obrazu; prompty wideo (2, 3, 4, 6, 8) idą do przestrzeni wideo pod Grok Imagine.

Kilka praktycznych uwag do uruchomień w OmniArt:

• Zacznij od 480p na iterację. W 480p wideo kosztuje 10 kredytów za sekundę. Gdy struktura jest już właściwa, przeskocz na 720p (15 kredytów za sekundę) na finalne podejście.
• Do wydłużania używaj trybu Extend. Klip nastrojowy (prompt 3) i odjazd dronem (prompt 6) można przedłużyć o kolejne 15 sekund trybem Extend w Grok Imagine — ten sam model, rozliczany tylko za dołożoną część.
• Do celowanych poprawek używaj trybu Modify. Jeśli światło w wyniku jest prawie dobre, ale jeden element się nie zgadza, tryb Modify pozwala opisać zmianę tekstem bez generowania całego klipu od nowa. Trzymaj klipy źródłowe w 480p przed przekazaniem do Modify — ten tryb przyjmuje wejście najwyżej 854×480.
• Spójność postaci między ujęciami: jeśli generujesz kilka ujęć tej samej postaci (w stylu promptu 2), użyj trybu Reference z portretem jako @Image1 i powtórz opis postaci w każdym nowym prompcie. Tryb Reference w Grok Imagine 1.5 to najprostsza droga do spójności bez opierania się na dostrojonym modelu.

Pełne omówienie wszystkich sześciu trybów generowania Grok Imagine, scenariuszy kosztowych i tego, kiedy przejść na inny model, znajdziesz w kompletnym przewodniku po Grok Imagine. A szerszy słownik zdjęciowy, który przenosi się na każdy prompt wideo, opisuje przewodnik po filmowych promptach do wideo AI — warto go trzymać w zakładkach obok tego tekstu.