MOSS-Image vs HY-Image 3.5 : les deux vous vendent du texte rendu, et un seul vous montre le test

Demandez à l'un ou l'autre fournisseur à quoi sert réellement son modèle d'image, et vous obtenez la même réponse. MOSS-Image, publié par OpenMOSS le 16 octobre 2026 sous forme de checkpoints Apache 2.0 MOSS-Image-Base et MOSS-Image-SFT, met en avant le rendu de texte et la mise en page. HY-Image 3.5, le modèle d'image actuel de Tencent au sein de la gamme Hunyuan, met en avant une meilleure précision du texte rendu à l'intérieur de l'image — en chinois comme en anglais. Deux fournisseurs, séparés par cinq mille miles, qui choisissent de mettre en avant la même capacité : voilà un signal assez parlant sur l'endroit où se situe le véritable point de défaillance de cette catégorie depuis deux ans.

Ces deux affirmations, toutefois, se présentent dans des emballages complètement différents. L’une d’elles s’accompagne d’un benchmark et d’un chiffre. L’autre s’accompagne d’une phrase. C’est cette asymétrie — et non la qualité d’image, que personne n’a mesurée pour ces deux-là — qui constitue toute la comparaison, et il vaut la peine de l’examiner attentivement, car le chiffre qui existe provient du fournisseur lui-même, tandis que la phrase qui n’existe pas provient d’un fournisseur qui a plus d’historique.

Ce que signifie le « rendu de texte » de chaque côté

L'affirmation de Tencent est une affirmation sur l'exactitude entre deux écritures. HY-Image 3.5 est documenté comme améliorant la précision du texte dessiné à l'intérieur de l'image, et la documentation précise explicitement que cela couvre le chinois et l'anglais. C'est une affirmation plus étroite et plus pratique qu'elle n'en a l'air. Le chinois est l'écriture que les modèles d'image occidentaux traitent le plus mal — la densité de glyphes est plus élevée, l'inventaire de caractères se compte en milliers plutôt qu'en dizaines, et un modèle qui produit des formes de lettres latines d'apparence plausible peut produire, de pure invention, des hanzi sans que personne ne s'en aperçoive avant qu'un relecteur ne le fasse. Un fournisseur dont le marché domestique écrit en chinois a une raison évidente de s'y attaquer en premier, et Tencent l'a dit directement.

L’affirmation d’OpenMOSS porte sur la longueur plutôt que sur la couverture des écritures. La démonstration phare de M​OSS-Image consiste en des paragraphes — du texte littéraire d’une longueur cible moyenne d’environ 1 340 caractères, maintenu de façon lisible sur toute une image. C’est un problème différent de celui qui consiste à bien restituer quatre caractères chinois. C’est la différence entre le rendu d’un logotype et celui d’une page.

• Ce que le fournisseur met en avant — MOSS-Image : le rendu de texte long, avec la mise en page comme mécanisme de contrôle. HY-Image 3.5 : la précision du texte en chinois et en anglais, avec la cohérence du sujet au fil des modifications répétées.

• Ce que l'interface vous donne — M​OSS-Image : un prompt JSON avec un summary bloc et un items tableau, où chaque élément de texte porte une boîte englobante et la chaîne littérale à restituer. H​Y-Image 3.5 : un prompt en langage naturel, ainsi que des images de référence pour la direction de l'édition. Aucun champ de chaîne documenté par élément.

• Quel est le plafond de sortie — M​OSS-Image : entraîné sur 576, puis 3 072, puis 8 192 tokens sur trois résolutions, avec l'étape finale à environ 1024². H​Y-Image 3.5 : jusqu'à 2K, selon les propres mots de T​encent.

• Ce qui régit les poids — M​OSS-Image : Apache 2.0, aucun seuil de revenus. H​Y-Image 3.5 : rien de publié. Pas de checkpoint, pas de licence locale, pas de voie hors ligne.

• Ce que vous payez — MOSS-Image : rien pour la licence. HY-Image 3.5 : 0,024 $ pour une image 2K sur le point de terminaison international, 0,15 ¥ en domestique, facturé uniquement sur les images de sortie livrées.

Ce quatrième point mérite une phrase à lui seul, car c’est la seule chose, dans cette comparaison, sur laquelle vous pouvez agir dès aujourd’hui. Si le rendu du texte est la raison pour laquelle vous choisissez entre ces modèles, vous ne pouvez inspecter le comportement de l’un d’eux que sur votre propre machine. Tester MOSS-Image sur votre propre copie implique de télécharger 27,2 Go et de l’exécuter ; tester HY-Image 3.5 implique d’envoyer des prompts à Tencent et d’observer ce qui revient.

Le seul nombre dans cette comparaison, et ce qu'il vaut

M​OSS-Image dispose d’un benchmark. LongLongTextBench comprend 240 tâches de rendu de texte littéraire — 120 en anglais, 120 en chinois — avec une longueur cible moyenne de 1 339,8 caractères, et OpenMOSS attribue à M​OSS-Image une note de 96,3 sur la couverture textuelle Mean-6, contre 64,9 pour Q​wen-Image-2512. Le même tableau place GPT Image 2 à 99,0 et N​ano Banana Pro à 96,6, ce qu’il vaut la peine de souligner deux fois : c’est un tableau dans lequel un concurrent l’emporte, et c’est un tableau dans lequel la marge de M​OSS-Image sur le modèle qu’il dépasse est supérieure à son retard sur les modèles qui le devancent.

Maintenant, les réserves, qui ne sont pas minces. LongLongTextBench est le propre benchmark d’OpenMOSS, conçu pour cette version, exécuté par OpenMOSS, sur le propre système d’OpenMOSS. La couverture textuelle Mean-6 est la propre métrique d’OpenMOSS. Personne en dehors du laboratoire n’en a reproduit quoi que ce soit. C’est le premier chiffre de fournisseur dans cette catégorie qui tente de mesurer du texte long, et c’est aussi exactement le genre de chiffre qu’un fournisseur construit quand il a quelque chose à montrer.

H​Y-Image 3.5 n'a ici absolument aucun chiffre. Ni un chiffre publié, ni un chiffre indépendant — aucun tableau de bord n'évalue l'un ou l'autre de ces deux modèles sur le rendu de texte, et les tableaux indépendants qui référencent bel et bien le modèle de T​encent ne tentent même pas le texte. La question du texte, donc, celle que les deux fournisseurs ont choisi de mettre en avant, est précisément la question à laquelle cette comparaison ne peut pas répondre avec des preuves issues des deux camps. Un fournisseur a publié un test. L'autre a publié une affirmation. Voilà où l'on en est, et tout article qui accole un chiffre à H​Y-Image 3.5 sur cet axe l'a inventé.

Là où il existe bel et bien des preuves indépendantes, et où il ne s’agit que d’une demi-comparaison

Le modèle de Tencent figure sur les tableaux d'Artificial Analysis sous la désignation HunyuanImage 3.5 (Preview), ce qui est en soi utile, car cela corrobore l'appellation : le libellé « preview » correspond à l'état actuel du modèle, et non à un état révolu. L'identifiant en circulation est hy-image-v3.5-preview, et aucun second identifiant stable ne l'accompagne. Sur le tableau texte-vers-image, il se classe au milieu du peloton, à 976,02 Elo. Sur le tableau d'édition d'images, il se hisse dans le premier cinquième, à 1 088 Elo sur 5 775 comparaisons en aveugle — les leaders y sont GPT Image 2.5 Sunburst et Flare d'OpenAI, à 1 198 et 1 177, si bien que Tencent se situe environ 110 Elo sous la frontière, avec des intervalles d'environ ±14.

Cette position en édition est la plus intéressante pour cette confrontation, et pas à cause du rang. C'est le classement qui couvre en partie la capacité que Tencent met réellement en avant. Modifier un sujet de façon répétée sans qu'il ne dérive constitue la seconde moitié de l'argumentaire de Tencent sur le texte et la cohérence, et un Elo d'édition dans le top 20 % est au moins vaguement cohérent avec l'affirmation de cohérence. Ce n'est pas une mesure du texte, et ce n'est pas une mesure de la dérive sur une séquence, mais c'est indépendant, ce qui est plus que tout ce dont dispose le côté MOSS-Image.

MOSS-Image ne figure pas sur ces classements. Il n'a qu'un jour. Son deuxième benchmark, RealLayoutArena, compte 61 tâches de design jugées par comparaison par paires en aveugle et ajustées à une échelle de Bradley–Terry — 20 affiches, 20 infographies, 21 interfaces — et il est également fourni avec la version et a aussi été conçu par le fournisseur. Sur l'arène de bout en bout, MOSS-Image obtient 1698,70 Elo, derrière les 1844,35 de GPT Image 2 ; limité au backbone seul sous des prompts améliorés partagés, il se classe premier avec 1807,34. Même version, même partie, même réserve.

Le chinois, qui est précisément le point où les deux affirmations se rejoignent.

Voici une différence structurelle qu’aucun des deux fournisseurs ne signalera et qui compte plus que l’une ou l’autre ligne de benchmark.

OpenMOSS a conçu un benchmark textuel bilingue délibérément équilibré — 120 tâches en anglais et 120 tâches en chinois, une répartition égale. C'est un choix de conception, et il indique que le modèle a été évalué comme un produit bilingue plutôt que comme un produit anglais avec le chinois en bonus. Le corpus d'entraînement de MOSS-Image provient de données dérivées de ReLAION, réduites d'environ 5B échantillons à 3B sans filtrage supplémentaire, et le tableau items du format de mise en page prend un libellé de text, character ou object — une taxonomie qui se veut délibérément agnostique quant au système d'écriture.

La position de Tencent est l’image miroir. Le chinois est le marché domestique ; la documentation produit décrit le modèle comme offrant une forte compréhension du chinois ; l’endpoint international est une seconde surface derrière celle domestique, avec un tarif distinct. Tencent n’a pas eu besoin de construire un benchmark équilibré anglais/chinois, car le chinois n’a jamais été le risque. Ce qu’elle n’a pas fait, c’est publier les performances de la moitié anglaise.

Donc une équipe qui livre des ressources en langue chinoise a, d'un côté, un fournisseur avec un produit pensé d'abord pour le chinois et un chiffre en anglais impossible à publier, et de l'autre, un fournisseur avec une évaluation bilingue délibérément équilibrée et aucun historique sur le marché chinois. Deux types de confiance différents, et aucune des deux n'est transférable au marché de l'autre. Le seul moyen de trancher, c'est une confrontation directe sur votre propre copie, et seuls l'un de ces deux modèles vous le permet. Passez les chaînes chinoises que vous livrez réellement — noms de produits, mentions légales, hanzifaciles à inventer — dans MOSS-Image-SFT en local, et confrontez les mêmes chaînes à hy-image-v3.5-preview via API. Cette expérience coûte un après-midi et tranche plus que le matériel des deux fournisseurs réuni.

Coût, accès et la question de la route

La comparaison des coûts est déséquilibrée dans un sens, et la comparaison de l’accès l’est dans l’autre, c’est pourquoi la décision se résume rarement à la facture.

H​Y-Image 3.5 coûte 0,024 $ pour une image 2K à l’international — 24 $ pour 1 000, ce qui correspond au même chiffre exprimé par millier qui figure sur le tableau indépendant, donc le tarif du fournisseur et la colonne de prix du tableau concordent. Au niveau national, c’est 0,15 ¥ pour une image 2K, et la facturation porte uniquement sur les images de sortie livrées, donc une requête filtrée ou échouée n’est pas facturée. À cent mille images par mois, cela représente 2 400 $, avec un mode de défaillance documenté qui ne donne pas lieu à facturation.

MOSS-Image n'a pas de grille tarifaire. La licence est Apache 2.0 et le téléchargement fait environ 27,2 Go, dont environ 16,8 Go répartis sur quatre shards constituent l'encodeur de texte Qwen3.5-9B gelé et environ 10,2 Go répartis sur trois constituent le transformer. Le badge 5B décrit uniquement le générateur de diffusion, et l'encodeur représente la moitié la plus importante du téléchargement. Les valeurs par défaut d'échantillonnage sont flow-matching Euler à 50 pas avec CFG 3.0 et shift 5.0 ; le chemin de guidage par défaut nécessite deux passes avant du transformer par pas, donc le nombre de pas n'est pas le réglage économique qu'il paraît être. Vos cent mille images coûtent ce que coûte votre temps GPU, et rien d'autre.

Là où ces deux routes convergent, c'est qu'aucune des deux n'est un problème de routage. M​OSS-Image ne figure pas au catalogue OrcaRouter — nous servons plus de 200 modèles et il n'en fait pas partie — donc la partie « poids » de cette comparaison relève de votre propre infrastructure. H​Y-Image 3.5 n'y figure pas non plus, et sa route documentée est l'API propre à T​encent ou les produits propres à T​encent ; T​encent n'a ni checkpoint, ni licence locale, ni voie hors ligne, et les nœuds ComfyUI qui existent pour lui appellent l'API plutôt que de fonctionner derrière elle. La description honnête des deux est la description générique : via l'API propre au fournisseur et, dans le cas de T​encent, ses outils first-party.

Ce pour quoi le routeur est réellement utile ici, c'est la troisième chose, à savoir l'expérience ci-dessus. Si vous voulez tester comment le rendu de texte local de MOSS-Image se compare à des modèles hébergés plutôt qu'à un classement, c'est du côté des modèles hébergés que la comparaison mord, et confronter un checkpoint auto-hébergé à plusieurs modèles d'image hébergés sur des prompts identiques est le genre de tâche pour lequel un point de terminaison unique avec basculement automatique et tarifs catalogue des fournisseurs répercutés sans modification est fait : une clé au lieu de quatre intégrations, et une exécution qui se termine même quand un fournisseur connaît une mauvaise heure. GPT Image 2 et les modèles d'image de Google sont sur ce point de terminaison ; MOSS-Image n'y est pas.

Choisir entre une évaluation livrée et un produit livré

Choisissez MOSS-Image si ce dont vous avez précisément besoin est un contrôle structuré sur l’endroit où le texte se place et sur la longueur qu’il couvre. Le JSON de mise en page nomme explicitement la chaîne et la position de chaque élément textuel, Apache 2.0 raccourcit l’examen commercial, et le checkpoint Base a été délibérément laissé non distillé — la fiche du modèle indique qu’aucun post-entraînement ni distillation de paramètres d’inférence tels que CFG n’a été appliqué — ce qui est un choix délibéré de laisser de la matière à l’entraînement LoRA. Partez en sachant que les deux benchmarks qui portent son nom sont ceux du fournisseur, que le meilleur score de mise en page de bout en bout provient d’un pipeline dont la moitié dédiée à la spécification du prompt est un modèle tiers plutôt qu’un petit module OpenMOSS, et que l’encodeur domine le téléchargement.

Prenez H​Y-Image 3.5 si vous avez besoin d’un endpoint appelable cette semaine, si vos ressources sont en chinois, ou si vous préférez acheter un modèle avec un positionnement d’édition indépendant plutôt qu’un modèle avec un benchmark de fournisseur. Sachez avant de vous engager que l’identifiant est une désignation d’aperçu sans remplacement daté, que l’affirmation textuelle est une phrase et non un score, et que la seule chose mesurée de manière indépendante à propos du modèle est une moyenne de préférence en aveugle qui ne dit rien sur la question de savoir si la partie non touchée de votre cadre est restée non touchée.

L’écart qui changerait le plus les choses n’est pas un nouveau modèle. C’est qu’une autre partie fasse tourner LongLongTextBench sur autre chose que M​OSS-Image, ou que T​encent publie un score de rendu de texte pour la preview. Aucun des deux n’existe, et tant qu’aucun n’existe, la version pratique de cette comparaison se résume à un téléchargement face à un appel d’API et à un après-midi passé sur vos propres chaînes — ce qui est un meilleur usage de votre temps que de lire le tableau de l’un ou l’autre fournisseur.

Les défaillances documentées de l’IA et les incidents d’agents à l’origine de versions comme celle-ci sont recueillis dans l’OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, sa gravité, sa note de confiance et un indicateur de contestation.