Grok Imagine Video 1.5 Agent：第 5 名之后，AI 视频进入编排与验收战 (2026)

窗口与判断

本期覆盖 2026 年 9 月 5 日 09:00 至 9 月 7 日 09:00（北京时间）。窗口内最值得关注的更新，是 Grok Imagine Video 1.5 Agent 在 9 月 6 日凌晨进入可用状态，并在同日进入 Arena.ai 的文字生成视频竞技榜单。xAI 把升级重点放在更高质量、更强叙事和多镜头连接上；Arena 的早期分数则把它放在第 5 位。1 2

这组信号值得看的地方，在于产品竞争开始从“单段视频能不能生成”转向“多个镜头能不能被组织成一条可交付内容”。当前证据可以支持一次早期能力判断，尚且支撑不了生产系统的质量、成本和来源承诺。

Loading content card…

Agent 改变的，可能是编排层

xAI 官方发布帖把 Grok Imagine Video 1.5 Agent 描述为由最新 Image 2.0 模型驱动的智能体，重点能力包括更高质量、更好的故事讲述，以及把多个镜头连接起来并提高连续性。官方发布帖没有公开模型结构、分镜步骤、记忆机制或连续性评测集。1

xAI 面向开发者的模型页仍把可调用的视频模型列为 grok-imagine-video-1.5。该页面列出的输入是文本、图像和音频，输出是视频；模型页还提供 480p、720p 和 1080p 的分辨率价格。3

因此，当前公开信息更像是一次“基础视频模型加上智能编排入口”的产品升级。这是基于发布帖和开发者页面的推断，并非 xAI 对内部架构的正式拆解。这个区分决定了采购团队要问的第一句话：Agent 是在生成前规划镜头、在生成后筛选镜头，还是在多轮调用中维护人物与场景状态？三种做法都会改变使用体验，成本、失败位置和可审计记录却完全不同。

第 5 名，证明了什么

Arena.ai 9 月 5 日的 Text-to-Video Arena 页面显示，Grok Imagine Video 1.5 Agent 以 1491±19 的 Arena Score 排在第 5 位。页面当时记录 48 个模型、668,045 票，并用模型间 A/B 对战计算总体排名。4

Arena.ai 官方账号随后给出更易读的横向比较：Grok 的 1491 分与 Wan-3.0、FLUX 3 Video 的 1494 分相差 3 分；官方账号同时称它高于 Dreamina Seedance-2.5、Seedance 2.0 和 MiniMax-H3。这个结果来自文字生成视频的竞技排名，分数带有 ±19 的不确定区间，账号也把它描述为进入榜单的时点成绩。2

这个结果可以回答“新模型是否已经获得用户盲测的初步认可”，回答不了以下问题：同一人物跨三到五个镜头能否持续保持；Agent 为了得到一条合格片段平均重试多少次；音画、动作和来源标识在剪辑后能否保持；API 在高并发时的排队时间是多少。

另一张动态视频榜单在 9 月 7 日更新时记录 1,394 次盲测投票，当前列表显示 25 个条目，却同时出现“12 models reviewed”的页面口径；列表里也还没有 Grok Imagine Video 1.5 Agent。5

两张榜单的差异提醒采购团队：榜单首先是测量工具，其次才是宣传素材。Arena 的新模型成绩可以作为继续测试的理由，连续性、失败率和交付时间仍要用自己的任务集复测。

按秒价格离真实成本还有多远

xAI 官方模型页给出的输出价格是：480p 0.08 美元/秒、720p 0.14 美元/秒、1080p 0.25 美元/秒；图片输入按 0.01 美元/张计费，音频输入页面列为免费。模型页还显示 Batch API 可用，页面没有给出批量折扣。3 6

按 6 秒成片计算，单次视频输出费用分别是：

输出规格	公开单价	6 秒输出费用	这个数字覆盖的范围
480p	0.08 美元/秒	0.48 美元	视频输出
720p	0.14 美元/秒	0.84 美元	视频输出
1080p	0.25 美元/秒	1.50 美元	视频输出

表内费用是按公开单价计算的输出账单。开发者页面没有把 Agent 编排、失败重试、人工挑选、剪辑、存储、带宽、审核和转码列入这组价格。3 6

这会改变商业化判断的单位。团队真正需要记录的是“每秒合格成片成本”，而不是“每秒生成价格”。如果一条 6 秒片要生成 4 次、人工选出 1 次，再经过配音、剪辑和平台审核，0.84 美元只是原始输出的一部分。Agent 让镜头规划更方便，也可能让调用次数更难被使用者察觉，产品方需要在账单或生产轨迹中显示每次调用、重试和最终采用的关系。

合规问题从生成端延伸到交付端

欧盟委员会关于《人工智能法案》第 50 条透明度义务的页面说明，这些义务自 2026 年 8 月 2 日起适用。生成式 AI 系统提供者需要加入机器可读标记，让生成或操纵内容能够被识别；部署者在深度伪造等场景下需要向接触内容的个人作出告知。7

这条规则与 Grok Agent 的关系很具体：多镜头编排增加了调用链长度，也增加了视频被剪辑、转码、下载和再次上传的次数。一次合规验收需要同时看三件事：生成接口是否留下来源信息，Agent 是否把来源信息带到最终成片，发布平台是否把观众可见的披露保留下来。

xAI 这次官方发布帖和开发者模型页把篇幅放在质量、故事、多镜头和价格上，公开内容没有说明机器可读标记、导出元数据、深度伪造披露或跨平台保留策略。1 3 这组公开材料足以说明产品卖点，尚且不足以证明一条视频从 API 到发布页面的来源链已经闭合。

给部署团队的最小验收表

验收对象	测试方法	通过证据	当前公开边界
多镜头连续性	固定人物、服装、道具和场景，连续生成广角、中景、特写三组镜头，再加入一次局部修改。	同一资产在镜头切换和修改后保持可辨识；团队能定位发生漂移的镜头。	官方发布帖只有“更好的连续性”表述，Arena 公开的是文字生成视频总体分数。1 4
Agent 轨迹	保存提示词、参考资产、每次调用、重试、人工修改、采用片段和最终导出文件。	一条成片可以反查到每个镜头的调用和审批记录。	公开模型页说明 API 和 Batch API，未给出 Agent 轨迹字段。3
合格成片成本	以最终通过业务审核的秒数为分母，计入重试、人工、存储、带宽、审核、剪辑和转码。	账单能区分原始输出费用与每秒合格成片总成本。	官方页面给出输出单价，未展开 Agent 编排和失败成本。6
来源与标识	分别测试导出、剪辑、压缩、转码、下载和再上传后的机器可读标记与可见披露。	第三方能从成片反查生成服务；观众在首次接触时能看到所需提示。	欧盟委员会页面说明 provider 与 deployer 的职责，xAI 公开模型页未说明本模型的具体实现。7
失败回退	主动测试人物漂移、动作失败、内容审核拒绝、超时和重复生成。	失败原因、原始素材、人工接管和回滚版本都能导出。	官方发布帖和榜单提供能力信号，尚未提供失败分布或服务等级。1 2

结语

Grok Imagine Video 1.5 Agent 的窗口信号有两层。第一层是可观察的产品变化：xAI 把多镜头连接和故事组织放到发布重点，Arena.ai 在文字生成视频竞技榜单中给出 1491±19 的早期成绩。第二层是尚待验证的生产问题：Agent 是否减少了返工，还是把重试与筛选隐藏在更顺滑的入口之后。

因此，这次发布适合触发一轮小规模压力测试。测试对象应从一条样片扩展到三镜头任务、完整调用账单、失败回退和导出后的来源标识。等这些记录能够被第三方复核，榜单上的“第 5 名”才有机会转化成内容团队可以承诺的交付能力。