MOSS-Image vs HY-Image 3.5: Ambos te venden texto renderizado, y solo uno te muestra la prueba

Si le preguntas a cualquiera de los dos proveedores para qué sirve realmente su modelo de imágenes, obtienes la misma respuesta. M​OSS-Image, publicado por OpenMOSS el 16 de octubre de 2026 como los checkpoints con licencia Apache 2.0 M​OSS-Image-Base y M​OSS-Image-SFT, destaca por la representación de texto y el diseño. H​Y-Image 3.5, el modelo de imágenes actual de T​encent dentro de la línea H​unyuan, destaca por su mayor precisión en el texto representado dentro de la imagen, tanto en chino como en inglés. Dos proveedores, a ocho mil kilómetros de distancia, eligiendo la misma capacidad para promocionarla, lo que es una señal bastante elocuente de dónde ha estado el verdadero punto débil de esta categoría durante los últimos dos años.

Las dos afirmaciones, sin embargo, llegan en envases completamente distintos. Una de ellas viene con un punto de referencia y un número. La otra viene con una frase. Esa asimetría —y no la calidad de imagen, que nadie ha medido en estas dos— constituye toda la comparación, y vale la pena analizarla con cuidado porque el número que existe es de un proveedor y la frase que no existe es de un proveedor con más trayectoria.

Qué significa "representación de texto" en cada lado

La afirmación de Tencent es una afirmación sobre la corrección en dos sistemas de escritura. Se documenta que HY-Image 3.5 mejora la precisión del texto dibujado dentro de la imagen, y el material es explícito en que esto abarca el chino y el inglés. Es una afirmación más acotada y práctica de lo que parece. El chino es el sistema de escritura que peor manejan la mayoría de los modelos de imagen occidentales: la densidad de glifos es mayor, el inventario de caracteres es de miles en lugar de docenas, y un modelo que renderiza formas de letras latinas que parecen plausibles puede renderizar los totalmente inventados caracteres chinos sin que nadie lo note hasta que lo haga un corrector de pruebas. Un proveedor cuyo mercado local escribe en chino tiene una razón obvia para atacar eso primero, y Tencent lo ha dicho directamente.

La afirmación de OpenMOSS tiene que ver con la longitud, más que con la cobertura de escrituras. La demostración estrella de MOSS-Image son párrafos: texto literario con una longitud objetivo media de unos 1340 caracteres, mantenido de forma legible a lo largo de una imagen. Ese es un problema distinto del de acertar con cuatro caracteres chinos. Es la diferencia entre renderizar un logotipo tipográfico y renderizar una página.

• Lo que el proveedor destaca — MOSS-Image: renderizado de texto extenso, con la disposición como mecanismo de control. HY-Image 3.5: precisión de texto en chino e inglés, con consistencia del sujeto en ediciones repetidas.

• Lo que te ofrece la interfaz — MOSS-Image: un prompt JSON con un summary bloque y un items array, donde cada elemento de texto lleva un cuadro delimitador y la cadena literal que se debe representar. H​Y-Image 3.5: un prompt en lenguaje natural, además de imágenes de referencia para la dirección de edición. No hay ningún campo de cadena documentado por elemento.

• Cuál es el límite de salida — M​OSS-Image: entrenado con 576, luego 3,072, luego 8,192 tokens en tres resoluciones, con la etapa final en aproximadamente 1024². H​Y-Image 3.5: hasta 2K, en palabras de la propia T​encent.

• ¿Qué rige los pesos? — MOSS-Image: Apache 2.0, sin umbral de ingresos. HY-Image 3.5: nada publicado. Sin checkpoint, sin licencia local, sin ruta sin conexión.

• Lo que pagas — M​OSS-Image: nada por la licencia. H​Y-Image 3.5: $0.024 por una imagen 2K en el endpoint internacional, ¥0.15 nacional, facturado solo por las imágenes de salida entregadas.

Ese cuarto punto merece una frase propia, porque es lo único de esta comparación sobre lo que puedes actuar hoy. Si el renderizado de texto es la razón por la que eliges entre estos modelos, solo puedes inspeccionar el comportamiento de uno de ellos en tu propia máquina. Probar MOSS-Image en tu propia copia significa descargar 27,2 GB y ejecutarlo; probar HY-Image 3.5 significa enviar prompts a Tencent y mirar lo que devuelve.

El único número en esta comparación, y lo que vale

MOS​S-Image tiene un benchmark. LongLongTextBench es un conjunto de 240 tareas de renderizado de texto literario —120 en inglés y 120 en chino— con una longitud objetivo media de 1.339,8 caracteres, y OpenMOSS le otorga a MOS​S-Image una puntuación de 96,3 en cobertura de texto Mean-6, frente a 64,9 de Q​wen-Image-2512. La misma tabla sitúa a GPT Image 2 en 99,0 y a N​ano Banana Pro en 96,6, lo cual merece señalarse dos veces: es una tabla en la que gana un competidor, y es una tabla en la que el margen de MOS​S-Image sobre el modelo al que supera es mayor que su desventaja frente a los modelos que tiene por delante.

Ahora, las salvedades, que no son pequeñas. LongLongTextBench es el benchmark propio de OpenMOSS, creado para este lanzamiento, ejecutado por OpenMOSS, en el sistema propio de OpenMOSS. La cobertura de texto Mean-6 es una métrica propia de OpenMOSS. Nadie fuera del laboratorio ha reproducido nada de esto. Es la primera cifra de un proveedor en esta categoría que intenta medir texto largo, de algún modo, y también es exactamente el tipo de cifra que un proveedor construye cuando tiene algo que mostrar.

H​Y-Image 3.5 no tiene ninguna cifra aquí. Ni una publicada ni una independiente: ninguna tabla de clasificación puntúa a ninguno de estos dos modelos en renderizado de texto, y las tablas independientes que sí incluyen el modelo de T​encent no abordan el texto. Así que la cuestión del texto, que es justo aquello con lo que ambos proveedores decidieron abrir, es la única pregunta que esta comparación no puede responder con evidencia de ambas partes. Un proveedor publicó una prueba. El otro publicó una afirmación. Ese es el estado de la cuestión, y cualquier artículo que ponga una cifra junto a H​Y-Image 3.5 en este eje se la ha inventado.

Donde sí existe evidencia independiente, y solo es media comparación

El modelo de Tencent figura en los tableros de Artificial Analysis con la designación HunyuanImage 3.5 (Preview), lo cual resulta útil en sí mismo porque corrobora la nomenclatura: la etiqueta de preview corresponde al estado actual del modelo, no a uno histórico. El identificador en circulación es hy-image-v3.5-preview, y no hay un segundo identificador estable junto a él. En el tablero de texto a imagen se sitúa en la mitad de la tabla, con 976,02 de Elo. En el tablero de edición de imágenes queda en el quintil superior, con 1.088 de Elo en 5.775 comparaciones ciegas —los líderes allí son GPT Image 2.5 Sunburst y Flare, de OpenAI, con 1.198 y 1.177, de modo que Tencent se sitúa unos 110 Elo por debajo de la frontera, con intervalos de aproximadamente ±14.

Esa posición de edición es la interesante para este enfrentamiento, y no por el rango. Es la tabla de clasificación que cubre en parte la capacidad que Tencent realmente publicita. Editar a un sujeto repetidamente sin que haya deriva es la segunda mitad de la propuesta de texto y consistencia de Tencent, y un Elo de edición del quintil superior es al menos más o menos coherente con la afirmación de consistencia. No es una medición de texto, y no es una medición de deriva a lo largo de una secuencia, pero es independiente, lo cual es más de lo que tiene cualquier cosa del lado de MOSS-Image.

M​OSS-Image no aparece en esas tablas. Tiene un día de antigüedad. Su segundo benchmark, RealLayoutArena, consta de 61 tareas de diseño evaluadas mediante comparación por pares a ciegas y ajustadas a una escala Bradley–Terry —20 pósteres, 20 infografías, 21 interfaces—, y también se incluye con el lanzamiento y también fue construido por el proveedor. En la arena de extremo a extremo, M​OSS-Image obtiene 1698,70 Elo, segundo tras los 1844,35 de GPT Image 2; restringido únicamente al backbone bajo prompts mejorados compartidos, ocupa el primer puesto con 1807,34. Mismo lanzamiento, mismo actor, misma salvedad.

El chino, que es donde las dos afirmaciones realmente coinciden.

Esta es una diferencia estructural que ningún proveedor señalará y que importa más que cualquiera de las dos filas de referencia.

OpenMOSS creó un benchmark de texto bilingüe deliberadamente equilibrado: 120 tareas en inglés y 120 tareas en chino, una división equitativa. Esa es una decisión de diseño, y dice que el modelo se evaluó como un producto bilingüe en lugar de uno en inglés con el chino como bonus. El corpus de entrenamiento de MOSS-Image provino de datos derivados de ReLAION, recortados de aproximadamente 5B muestras a 3B sin filtrado adicional, y el array items del formato de diseño toma una etiqueta de text, character o object, una taxonomía que se lee como agnóstica al sistema de escritura a propósito.

La posición de Tencent es la imagen especular. El chino es el mercado local; el material del producto describe al modelo como dotado de una sólida comprensión del chino; el endpoint internacional es una segunda superficie detrás de la doméstica, con precio por separado. Tencent no tuvo que crear un benchmark equilibrado de inglés/chino porque el chino nunca fue el riesgo. Lo que no ha hecho es publicar cómo se desempeña la mitad en inglés.

Así que un equipo que publica recursos en chino tiene, por un lado, un proveedor con un producto que prioriza el chino y una cifra en inglés que no se puede publicar, y, por otro, un proveedor con una evaluación bilingüe deliberadamente equilibrada y sin historial en el mercado chino. Son dos tipos distintos de confianza y ninguno de los dos es transferible al mercado del otro. La única manera de resolverlo es una comparación cara a cara con tus propios textos, y solo uno de estos dos modelos te permite hacerla. Pasa las cadenas en chino que realmente publicas —nombres de producto, líneas legales, caracteres chinos fáciles de inventar— por MOSS-Image-SFT en local, y pon esas mismas cadenas frente a hy-image-v3.5-preview mediante API. Ese experimento cuesta una tarde y resuelve más que todo el material de ambos proveedores junto.

Costo, acceso y la cuestión de la ruta

La comparación de costos está desequilibrada en una dirección y la comparación de acceso lo está en la otra, por lo que la decisión rara vez se reduce a la factura.

HY-Image 3.5 cuesta $0.024 por una imagen 2K a nivel internacional — $24 por 1.000, que es la misma cifra expresada por millar que aparece en el panel independiente, de modo que la tarifa del proveedor y la columna de precios del panel coinciden. A nivel nacional son ¥0.15 por una imagen 2K, y la facturación se basa únicamente en las imágenes de salida entregadas, por lo que una solicitud filtrada o fallida no se cobra. A cien mil imágenes al mes, eso son $2.400, con un modo de fallo documentado que no genera cobro.

MOSS-Image no tiene lista de precios. La licencia es Apache 2.0 y la descarga ocupa unos 27,2 GB, de los cuales aproximadamente 16,8 GB repartidos en cuatro fragmentos son el codificador de texto Qwen3.5-9B congelado y unos 10,2 GB repartidos en tres son el transformer. El distintivo 5B describe únicamente al generador de difusión, y el codificador es la mitad más grande de la descarga. Los ajustes predeterminados de muestreo son flow-matching Euler con 50 pasos, CFG 3.0 y shift 5.0; la ruta de guiado predeterminada necesita dos pasadas del transformer por paso, así que el número de pasos no es el ajuste barato que parece. Tus cien mil imágenes cuestan lo que cueste tu tiempo de GPU, y nada más.

El punto en el que convergen esas dos rutas es que ninguna de las dos es un problema de enrutamiento. MOSS-Image no está en el catálogo de OrcaRouter —servimos más de 200 modelos y no es uno de ellos—, así que la mitad de esta comparación correspondiente a los pesos es tu propia infraestructura. HY-Image 3.5 tampoco está en él, y su ruta documentada es la propia API de Tencent o los propios productos de Tencent; Tencent no tiene checkpoint, ni licencia local ni ruta sin conexión, y los nodos de ComfyUI que existen para él llaman a la API en lugar de ejecutarse por detrás de ella. La descripción honesta de ambos es la genérica: a través de la propia API del proveedor y, en el caso de Tencent, de sus herramientas propias.

Lo que realmente hace útil al router aquí es lo tercero, que es el experimento anterior. Si quieres comprobar cómo queda el renderizado de texto local de MOSS-Image frente a los modelos alojados en lugar de frente a una tabla de clasificación, es en el lado de los alojados donde la comparación aprieta, y poner un checkpoint autoalojado frente a varios modelos de imagen alojados con los mismos prompts es el tipo de tarea para la que está hecho un único endpoint con conmutación por error automática y los precios de lista de los proveedores traspasados sin cambios: una sola clave en lugar de cuatro integraciones, y una ejecución que termina incluso cuando un proveedor tiene una mala hora. GPT Image 2 y los modelos de imagen de Google están en ese endpoint; MOSS-Image no.

Elegir entre una evaluación entregada y un producto entregado

Elige MOSS-Image si lo que necesitas específicamente es un control estructurado sobre dónde se sitúa el texto y cuánto se extiende. El JSON de diseño nombra explícitamente la cadena y la posición de cada elemento de texto, Apache 2.0 agiliza la revisión comercial, y el checkpoint Base se dejó deliberadamente sin destilar —la model card indica que no se aplicó post-entrenamiento ni destilación de parámetros de inferencia como CFG—, lo cual es una decisión deliberada para dejar algo en lo que el entrenamiento con LoRA pueda trabajar. Ten en cuenta desde el principio que ambos benchmarks que llevan su nombre son del propio proveedor, que la cifra de layout de extremo a extremo más sólida proviene de un pipeline cuya mitad de especificación de prompts es un modelo de terceros en lugar de un pequeño módulo de OpenMOSS, y que el codificador domina la descarga.

Elige H​Y-Image 3.5 si necesitas un endpoint invocable esta semana, si tus recursos están en chino, o si prefieres comprar un modelo con una posición de edición independiente en lugar de uno con un benchmark del proveedor. Entra sabiendo que el identificador es una designación de vista previa sin reemplazo con fecha, que la afirmación sobre texto es una frase y no una puntuación, y que lo único medido de forma independiente sobre el modelo es un promedio de preferencias a ciegas que no dice nada sobre si la parte no tocada de tu encuadro permaneció sin tocar.

La brecha que más cambiaría esto no es un modelo nuevo. Es que una parte independiente ejecute LongLongTextBench en algo que no sea MOSS-Image, o que Tencent publique una puntuación de renderizado de texto para la vista previa. Ninguna de las dos existe y, hasta que exista una, la versión práctica de esta comparación es una descarga frente a una llamada a la API y una tarde dedicada a tus propias cadenas —lo cual es un mejor uso del tiempo que leer la tabla de cualquiera de los dos proveedores.

Los fallos de IA documentados y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.