MOSS-Image vs. HY-Image 3.5: Beide verkaufen dir gerenderten Text, und nur einer zeigt dir den Test

Fragt man einen der beiden Anbieter, wofür ihr Bildmodell eigentlich gedacht ist, bekommt man dieselbe Antwort. M​OSS-Image, veröffentlicht von OpenMOSS am 16. Oktober 2026 als Apache-2.0-Checkpoints M​OSS-Image-Base und M​OSS-Image-SFT, punktet mit Textrendering und Layout. H​Y-Image 3.5, das aktuelle Bildmodell von T​encent innerhalb der H​unyuan-Reihe, punktet mit verbesserter Genauigkeit bei im Bild gerendertem Text — sowohl auf Chinesisch als auch auf Englisch. Zwei Anbieter, fünftausend Meilen voneinander entfernt, die dieselbe Fähigkeit als Aushängeschild wählen, was ein deutliches Signal dafür ist, wo die eigentliche Schwachstelle der Kategorie in den letzten zwei Jahren lag.

Die beiden Behauptungen kommen jedoch in völlig unterschiedlicher Verpackung daher. Eine von ihnen kommt mit einem Benchmark und einer Zahl. Die andere kommt mit einem Satz. Diese Asymmetrie – nicht die Bildqualität, die bei diesen beiden niemand gemessen hat – ist der ganze Vergleich, und es lohnt sich, das sorgfältig durchzugehen, denn die Zahl, die es gibt, stammt vom Anbieter selbst, und der Satz, den es nicht gibt, stammt von einem Anbieter mit einer längeren Geschichte.

Was „Textrendering" auf jeder Seite bedeutet

T​encent​s Behauptung ist eine Behauptung über Korrektheit über zwei Schriftsysteme hinweg. Für H​Y-Image 3.5 ist dokumentiert, dass es die Genauigkeit von im Bild gezeichnetem Text verbessert, und das Material sagt ausdrücklich, dass dies Chinesisch und Englisch umfasst. Das ist eine engere und praktischere Behauptung, als sie klingt. Chinesisch ist die Schrift, mit der die meisten westlichen Bildmodelle am schlechtesten zurechtkommen — die Glyphendichte ist höher, der Zeichenvorrat reicht Tausende tief statt nur Dutzende, und ein Modell, das plausibel aussehende lateinische Buchstabenformen rendert, kann völlig erfundene Hanzi rendern, ohne dass es jemand bemerkt, bis ein Korrektor es tut. Ein Anbieter, dessen Heimatmarkt Chinesisch schreibt, hat einen offensichtlichen Grund, das zuerst anzugehen, und T​encent hat das direkt gesagt.

Die Behauptung von OpenMOSS bezieht sich auf die Länge und nicht auf die Schriftabdeckung. Die Paradedemonstration von MOSS-Image besteht aus Absätzen – literarischer Text mit einer durchschnittlichen Ziellänge von rund 1.340 Zeichen, der über ein Bild hinweg lesbar bleibt. Das ist ein anderes Problem, als vier chinesische Schriftzeichen korrekt darzustellen. Es ist der Unterschied zwischen dem Rendern einer Wortmarke und dem Rendern einer Seite.

• Womit der Anbieter wirbt — MOSS-Image: Rendering von Langtexten, mit Layout als Steuerungsmechanismus. HY-Image 3.5: Textgenauigkeit in Chinesisch und Englisch, mit Motivkonsistenz über wiederholte Bearbeitungen hinweg.

• Was die Schnittstelle liefert — MOSS-Image: ein JSON-Prompt mit einem summary-Block und einem items-Array, wobei jedes Textelement eine Bounding Box und die wörtlich zu rendernde Zeichenkette trägt. HY-Image 3.5: ein natürlichsprachlicher Prompt sowie Referenzbilder für die Bearbeitungsrichtung. Kein dokumentiertes String-Feld pro Element.

• Was die Obergrenze der Ausgabe ist — M​OSS-Image: trainiert mit 576, dann 3.072, dann 8.192 Token über drei Auflösungen hinweg, wobei die letzte Stufe bei etwa 1024² liegt. H​Y-Image 3.5: bis zu 2K, mit den eigenen Worten von T​encent.

• Was für die Gewichte gilt — MOSS-Image: Apache 2.0, keine Umsatzschwelle. HY-Image 3.5: nichts veröffentlicht. Kein Checkpoint, keine lokale Lizenz, kein Offline-Weg.

• Was Sie zahlen — M​OSS-Image: keine Lizenzkosten. H​Y-Image 3.5: 0,024 $ für ein 2K-Bild am internationalen Endpunkt, 0,15 ¥ im Inland, Abrechnung nur auf Basis gelieferter Ausgabebilder.

Der vierte Aufzählungspunkt verdient einen eigenen Satz, denn er ist das Einzige an diesem Duell, das du heute angehen kannst. Wenn Textdarstellung der Grund dafür ist, dass du zwischen diesen Modellen wählst, kannst du nur das Verhalten von einem von ihnen auf deinem eigenen Rechner überprüfen. M​OSS-Image auf deiner eigenen Kopie zu testen bedeutet, 27,2 GB herunterzuladen und es auszuführen; H​Y-Image 3.5 zu testen bedeutet, Prompts an T​encent zu senden und zu schauen, was zurückkommt.

Die eine Zahl in diesem Vergleich – und was sie wert ist

M​OSS-Image hat einen Benchmark. LongLongTextBench umfasst 240 Aufgaben zum Rendern literarischer Texte – 120 englische, 120 chinesische – mit einer durchschnittlichen Ziel-Länge von 1.339,8 Zeichen, und OpenMOSS bewertet M​OSS-Image mit 96,3 bei der Mean-6-Textabdeckung gegenüber 64,9 für Q​wen-Image-2512. Dieselbe Tabelle führt GPT Image 2 mit 99,0 und N​ano Banana Pro mit 96,6 auf, was zweimal erwähnenswert ist: Es ist eine Tabelle, in der ein Wettbewerber gewinnt, und es ist eine Tabelle, in der M​OSS-Images Vorsprung gegenüber dem Modell, das es schlägt, größer ist als sein Rückstand gegenüber den Modellen, die vor ihm liegen.

Nun zu den Vorbehalten, die nicht unerheblich sind. LongLongTextBench ist der eigene Benchmark von OpenMOSS, für dieses Release gebaut, von OpenMOSS durchgeführt, auf dem eigenen System von OpenMOSS. Die Mean-6-Textabdeckung ist eine eigene Metrik von OpenMOSS. Niemand außerhalb des Labors hat irgendetwas davon reproduziert. Es ist die erste Anbieter-Kennzahl in dieser Kategorie, die überhaupt versucht, langen Text zu messen, und es ist außerdem genau die Art von Kennzahl, die ein Anbieter erstellt, wenn er etwas vorzuweisen hat.

HY-Image 3.5 hat hier überhaupt keine Zahl. Keine veröffentlichte und keine unabhängige – kein Board bewertet eines dieser beiden Modelle bei der Textwiedergabe, und die unabhängigen Boards, die Tencents Modell tatsächlich führen, testen Text gar nicht erst. Die Textfrage also – genau das, womit beide Anbieter vorangehen wollten – ist die eine Frage, die dieser Vergleich nicht mit Belegen von beiden Seiten beantworten kann. Ein Anbieter hat einen Test veröffentlicht. Der andere hat eine Behauptung veröffentlicht. Das ist der Stand der Dinge, und jeder Beitrag, der auf dieser Achse eine Zahl neben HY-Image 3.5 setzt, hat sie erfunden.

Wo unabhängige Belege tatsächlich existieren und es sich nur um einen halben Vergleich handelt

T​encents Modell ist auf den Artificial Analysis-Boards unter der Bezeichnung HunyuanImage 3.5 (Preview) zu finden, was an sich nützlich ist, weil es die Namensgebung bestätigt: Das Preview-Label ist der aktuelle Zustand des Modells, nicht ein historischer. Die gebräuchliche Kennung ist hy-image-v3.5-preview, und keine zweite, stabile Kennung steht daneben. Auf dem Text-zu-Bild-Board rangiert es im Mittelfeld bei 976,02 Elo. Auf dem Bildbearbeitungs-Board landet es im obersten Fünftel, bei 1.088 Elo über 5.775 Blindvergleiche — die Spitzenreiter dort sind O​penAIs GPT Image 2.5 Sunburst und Flare mit 1.198 und 1.177, so liegt T​encent etwa 110 Elo unter der Frontier, mit Intervallen von ungefähr ±14.

Diese Editing-Platzierung ist die interessante für dieses Duell, und nicht wegen des Rangs. Es ist das Board, das teilweise die Fähigkeit abdeckt, mit der Tencent tatsächlich wirbt. Ein Motiv wiederholt zu bearbeiten, ohne dass es driftet, ist die zweite Hälfte von Tencents Text-und-Konsistenz-Versprechen, und ein Editing-Elo im obersten Fünftel steht zumindest grob im Einklang mit dem Konsistenzanspruch. Es ist keine Messung von Text, und es ist keine Messung von Drift über eine Sequenz hinweg, aber es ist unabhängig, was mehr ist, als irgendetwas auf der MOSS-Image-Seite zu bieten hat.

M​OSS-Image ist nicht auf diesen Bestenlisten. Es ist einen Tag alt. Sein zweiter Benchmark, RealLayoutArena, besteht aus 61 Designaufgaben, die durch blinden paarweisen Vergleich bewertet und an eine Bradley–Terry-Skala angepasst werden – 20 Poster, 20 Infografiken, 21 Interfaces – und er wird außerdem mit dem Release ausgeliefert und wurde ebenfalls vom Anbieter erstellt. In der End-to-End-Arena erreicht M​OSS-Image 1698,70 Elo und liegt damit hinter GPT Image 2 mit 1844,35 auf Platz zwei; beschränkt man sich unter gemeinsamen erweiterten Prompts allein auf das Backbone, belegt es mit 1807,34 den ersten Platz. Dasselbe Release, derselbe Anbieter, derselbe Vorbehalt.

Chinesisch, wo die beiden Behauptungen tatsächlich aufeinandertreffen

Hier ist ein struktureller Unterschied, auf den keiner der beiden Anbieter hinweisen wird und der mehr zählt als jede der beiden Benchmark-Zeilen.

OpenMOSS hat einen zweisprachigen Text-Benchmark entwickelt, der bewusst ausgewogen ist – 120 englische Aufgaben und 120 chinesische Aufgaben, eine gleichmäßige Aufteilung. Das ist eine Designentscheidung, und sie besagt, dass das Modell als zweisprachiges Produkt bewertet wurde und nicht als ein englisches mit Chinesisch als Bonus. Der Trainingskorpus von MOSS-Image stammte aus von ReLAION abgeleiteten Daten, die ohne weitere Filterung von etwa 5 Mrd. Samples auf 3 Mrd. reduziert wurden, und das Layoutformat besitzt ein Elemente-Array, das mit einem Label versehen ist: Text, Zeichen oder Objekt – eine Taxonomie, die bewusst schriftunabhängig wirkt.

Tencents Position ist das Spiegelbild. Chinesisch ist der Heimatmarkt; das Produktmaterial beschreibt das Modell als mit starkem chinesischen Sprachverständnis ausgestattet; der internationale Endpunkt ist eine zweite, separat bepreiste Oberfläche hinter der inländischen. Tencent musste keinen ausgewogenen englisch-chinesischen Benchmark aufbauen, weil Chinesisch nie das Risiko war. Was es nicht getan hat, ist zu veröffentlichen, wie die englische Hälfte abschneidet.

Ein Team, das chinesischsprachige Inhalte ausliefert, hat also auf der einen Seite einen Anbieter mit einem China-First-Produkt und einer nicht veröffentlichbaren englischen Kennzahl und auf der anderen Seite einen Anbieter mit einer bewusst ausgewogenen zweisprachigen Bewertung und ohne Erfolgsbilanz auf dem chinesischen Markt. Zwei verschiedene Arten von Vertrauen, und keine davon lässt sich auf den Markt der jeweils anderen übertragen. Die einzige Möglichkeit, das zu klären, ist ein direkter Vergleich mit Ihrem eigenen Text, und nur eines dieser beiden Modelle erlaubt Ihnen das. Lassen Sie die chinesischen Strings, die Sie tatsächlich ausliefern – Produktnamen, rechtliche Zeilen, Hanzi die leicht zu erfinden sind – lokal durch M​OSS-Image-SFT laufen, und setzen Sie dieselben Strings gegen hy-image-v3.5-preview per API. Dieses Experiment kostet einen Nachmittag und klärt mehr als das Material beider Anbieter zusammen.

Kosten, Zugang und die Routenfrage

Der Kostenvergleich ist in die eine Richtung unausgewogen und der Zugangsvergleich in die andere, weshalb die Entscheidung selten von der Rechnung abhängt.

H​Y-Image 3.5 kostet international $0,024 für ein 2K-Bild — $24 pro 1.000, dieselbe Zahl, auf Tausend umgerechnet, die auf dem unabhängigen Board erscheint, sodass der Tarif des Anbieters und die Preisspalte des Boards übereinstimmen. Im Inland kostet es ¥0,15 für ein 2K-Bild, und abgerechnet werden nur gelieferte Ausgabebilder, sodass eine gefilterte oder fehlgeschlagene Anfrage nicht berechnet wird. Bei hunderttausend Bildern pro Monat sind das $2.400, mit einem dokumentierten Fehlerfall, der nicht abgerechnet wird.

M​OSS-Image hat keine Preisliste. Die Lizenz ist Apache 2.0 und der Download umfasst etwa 27,2 GB, wovon rund 16,8 GB über vier Shards der eingefrorene Qwen3.5-9B-Textencoder sind und etwa 10,2 GB über drei Shards der Transformer. Das 5B-Label beschreibt allein den Diffusionsgenerator, und der Encoder ist die größere Hälfte des Downloads. Die Sampling-Standardwerte sind Flow-Matching-Euler mit 50 Schritten, CFG 3,0 und Shift 5,0; der Standard-Guidance-Pfad benötigt zwei Transformer-Forward-Passes pro Schritt, die Schrittanzahl ist also nicht die günstige Einstellung, die sie zu sein scheint. Ihre hunderttausend Bilder kosten so viel, wie Ihre GPU-Zeit kostet, und sonst nichts.

Worin diese beiden Routen übereinstimmen, ist, dass keine von ihnen ein Routing-Problem ist. MOSS-Image steht nicht im OrcaRouter-Katalog – wir bedienen mehr als 200 Modelle, und es ist keines davon –, sodass der Gewichts-Teil dieses Vergleichs deine eigene Infrastruktur ist. HY-Image 3.5 ist ebenfalls nicht dabei, und sein dokumentierter Weg führt über Tencents eigene API oder Tencents eigene Produkte; Tencent hat keinen Checkpoint, keine lokale Lizenz und keinen Offline-Pfad, und die dafür existierenden ComfyUI-Nodes rufen die API auf, statt hinter ihr ausgeführt zu werden. Die ehrliche Beschreibung beider ist die generische: über die eigene API des jeweiligen Anbieters und, im Fall von Tencent, dessen eigene Tools.

Wofür der Router hier tatsächlich nützlich ist, ist die dritte Sache, nämlich das obige Experiment. Wenn du testen willst, wie sich das lokale Text-Rendering von M​OSS-Image gegen gehostete Modelle schlägt statt gegen ein Leaderboard, dann ist die gehostete Seite der Punkt, an dem der Vergleich wirklich zum Tragen kommt, und einen selbst gehosteten Checkpoint bei identischen Prompts gegen mehrere gehostete Bildmodelle antreten zu lassen, ist genau die Art von Aufgabe, für die ein einzelner Endpunkt mit automatischem Failover und unverändert durchgereichten Listenpreisen der Anbieter gemacht ist: ein Schlüssel statt vier Integrationen und ein Lauf, der auch dann noch abgeschlossen wird, wenn ein Anbieter eine schlechte Stunde hat. GPT Image 2 und G​oogles Bildmodelle sind auf diesem Endpunkt; M​OSS-Image nicht.

Die Wahl zwischen einer ausgelieferten Evaluierung und einem ausgelieferten Produkt

Nimm M​OSS-Image, wenn genau das, was du brauchst, strukturierte Kontrolle darüber ist, wo Text landet und wie lang er ist. Das Layout-JSON benennt den String und die Position jedes Textelements explizit, Apache 2.0 macht die kommerzielle Prüfung kurz, und der Base-Checkpoint wurde bewusst undistilliert gelassen — die Modellkarte sagt, dass weder Post-Training noch Destillation von Inferenzparametern wie CFG angewendet wurde —, was eine bewusste Entscheidung ist, dem LoRA-Training etwas zum Arbeiten zu überlassen. Geh mit dem Wissen hinein, dass beide Benchmarks, die seinen Namen tragen, die eigenen des Anbieters sind, dass die stärkste End-to-End-Layout-Zahl aus einer Pipeline stammt, deren Prompt-Spezifikations-Hälfte ein Drittanbietermodell statt eines kleinen OpenMOSS-Moduls ist, und dass der Encoder den Download dominiert.

Nimm H​Y-Image 3.5, wenn du diese Woche einen aufrufbaren Endpunkt brauchst, wenn es sich bei deinen Assets um chinesischsprachige handelt oder wenn du lieber ein Modell mit einer unabhängigen Editier-Platzierung kaufen würdest als eines mit einem Anbieter-Benchmark. Geh mit dem Wissen hinein, dass die Kennung eine Vorschau-Bezeichnung ohne datierten Ersatz ist, dass die Textaussage ein Satz und kein Score ist und dass das Einzige, was am Modell unabhängig gemessen wurde, ein Blindpräferenz-Durchschnitt ist, der nichts darüber aussagt, ob der unberührte Teil deines Frames unberührt geblieben ist.

Die Lücke, die dies am meisten verändern würde, ist kein neues Modell. Sie ist eine zweite Partei, die LongLongTextBench auf etwas laufen lässt, das nicht MOSS-Image ist, oder Tencent, das einen Text-Rendering-Score für die Vorschau veröffentlicht. Keines von beidem existiert, und bis eines davon existiert, ist die praktische Version dieses Vergleichs ein Download gegen einen API-Aufruf und ein Nachmittag, den man mit eigenen Strings verbringt – was ein besserer Einsatz der Zeit ist, als die Tabelle eines der beiden Anbieter zu lesen.

Die dokumentierten KI-Ausfälle und Agent-Vorfälle hinter Veröffentlichungen wie dieser werden gesammelt in dem OrcaRouter AI Incident Archive, wo jeder Eintrag eigene Quellen, Schweregrad, Konfidenzstufe und eine Kennzeichnung als strittig enthält.