xAI、Grokの画像生成モデル「Aurora」公開　リアルな人物や文字描写に対応

xAIは、ソーシャルプラットフォームのX上で提供しているGrokの画像生成機能を刷新し、コードネーム「Aurora」と呼ばれる新たな自己回帰型モデルを導入しました。

新機能はすでに一部の国で提供が始まっており、今後1週間以内にすべてのユーザーに向けて順次展開される予定です。

トークン予測でリアルな画像を生成するMoE構成

従来の画像生成モデルでは拡散モデルが主流でしたが、Auroraは自己回帰型のMixture of Expertsアーキテクチャを採用しています。

インターネット上のテキストと画像が混ざり合った数十億件のデータをもとに、テキスト生成と同様に次のトークンを予測する形で学習が行われました。

これにより、モデルは現実世界への理解を深め、写実的なフォトリアルレンダリングやテキスト指示への忠実な追従が可能になったと説明されています。

特に既存のモデルが苦手としていた、画像内のテキスト表記、ブランドロゴ、実在の物体の細部、そしてリアルな人物の肖像画の描写において高い精度を発揮します。

画像入力や直接編集機能も順次解放へ

Auroraはマルチモーダル入力にもネイティブで対応しています。

テキストプロンプトだけでなく、ユーザーがアップロードした画像を入力として受け取り、その構図や要素を参考にしたり、直接画像を編集したりすることができます。

この画像入力および編集機能については、近いうちにXプラットフォーム上で一般提供される見込みです。

なぜ重要か

Xを日常的に情報発信に使うクリエイターにとって、テキストやロゴが崩れずに描画される恩恵は非常に大きいです。外部の生成ツールを立ち上げずに高品位なグラフィックが手に入るため、利用可能になった段階ですぐに試す価値があります。

業界全体から見ると、画像生成の主役が従来の拡散モデルから、テキストと同じ自己回帰型やMoE構造へと拡張しつつあるトレンドを象徴する動きです。言語モデルの世界理解がそのまま画像描写の論理性へと直結し始めています。

ソーシャルネットワークのど真ん中にこのモデルを直接組み込む手法は、実データとフィードバックの収集という点で非常に合理的です。一方で、精巧な人物描写や実在ロゴの生成精度が高まった分、X特有の緩やかな運用方針のもとでディープフェイクや商標侵害の懸念が再燃するリスクを孕んでいます。