MOSS-Image מול HY-Image 3.5: שניהם מוכרים לך טקסט מרונדר, ורק אחד מראה לך את המבחן

תשאל כל אחד מהספקים לשם מה מיועד מודל התמונות שלו בעצם, ותקבל את אותה התשובה. MOSS-Image, ששוחרר על ידי OpenMOSS ב-16 באוקטובר 2026 כצ'קפוינטים תחת Apache 2.0 MOSS-Image-Base ו-MOSS-Image-SFT, מצטיין ברינדור טקסט ופריסה. HY-Image 3.5, מודל התמונות הנוכחי של Tencent בקו Hunyuan, מצטיין בדיוק משופר בטקסט המרונדר בתוך התמונה — גם בסינית וגם באנגלית. שני ספקים, במרחק חמשת אלפים מייל זה מזה, בוחרים לפרסם את אותה יכולת, וזה אות הוגן לגבי היכן שמצב הכשל האמיתי של הקטגוריה נמצא בשנתיים האחרונות.

שתי הטענות, עם זאת, מגיעות באריזה שונה לחלוטין. אחת מהן מגיעה עם בנצ'מרק ומספר. האחרת מגיעה עם משפט. האסימטריה הזו — לא איכות התמונה, שאיש לא מדד בין השניים — היא כל ההשוואה, וכדאי לבחון אותה בקפידה, משום שהמספר שקיים הוא של ספק עצמו, והמשפט שאינו קיים הוא של ספק עם יותר היסטוריה.

מה המשמעות של ״רינדור טקסט״ בכל צד

הטענה של Tencent היא טענה בדבר נכונות בשני כתבים. HY-Image 3.5 מתועד כמשפר את הדיוק של טקסט שמצויר בתוך התמונה, והחומר מציין במפורש שזה מכסה סינית ואנגלית. זו טענה צרה וישימה יותר ממה שזה נשמע. סינית היא הכתב שרוב מודלי התמונה המערביים מתמודדים איתו הכי גרוע — צפיפות הגליפים גבוהה יותר, מלאי התווים הוא אלפים ולא עשרות, ומודל שמצייר צורות אותיות לטיניות שנראות אמינות יכול לייצר באופן מומצא לחלוטין תווי האן בלי שאף אחד ישים לב עד שמגיה עושה זאת. לספק ששוק הבית שלו כותב בסינית יש סיבה ברורה לתקוף את זה ראשון, ו-Tencent אמרה זאת ישירות.

הטענה של OpenMOSS עוסקת באורך ולא בכיסוי מערכות כתב. ההדגמה המרכזית של MOSS-Image היא פסקאות — טקסט ספרותי באורך יעד ממוצע של כ-1,340 תווים, שנשמר קריא על פני תמונה. זו בעיה שונה מלעשות נכון ארבעה תווים בסינית. זה ההבדל בין לרנדר וורדמארק לבין לרנדר עמוד.

• מה שהספק מציב בחזית — MOSS-Image: רינדור טקסט ארוך, כשהפריסה היא מנגנון השליטה. HY-Image 3.5: דיוק טקסט בסינית ובאנגלית, עם עקביות נושא על פני עריכות חוזרות.

• מה שהממשק נותן לך — MOSS-Image: פרומפט JSON עם סיכוםבלוק פריטים, כאשר כל רכיב טקסט נושא תיבת תיחום ואת המחרוזת המילולית לרינדור. HY-Image 3.5: פרומפט בשפה טבעית, בתוספת תמונות ייחוס לכיוון העריכה. אין שדה מחרוזת מתועד לכל רכיב.

• מהי תקרת הפלט — M​OSS-Image: אומן על 576, ואז 3,072, ואז 8,192 טוקנים על פני שלושה רזולוציות, כשהשלב הסופי הוא בערך 1024². H​Y-Image 3.5: עד 2K, במילותיה של T​encent עצמה.

• מה חל על המשקולות — MOSS-Image: Apache 2.0, ללא סף הכנסות. HY-Image 3.5: שום דבר לא פורסם. אין צ'קפוינט, אין רישיון מקומי, אין מסלול לא־מקוון.

• מה אתם משלמים — M​OSS-Image: אין תשלום עבור הרישיון. H​Y-Image 3.5: $0.024 עבור תמונה 2K בנקודת הקצה הבינלאומית, ¥0.15 מקומי, החיוב הוא רק על תמונות פלט שנמסרו.

הנקודה הרביעית הזו ראויה למשפט משלה, מפני שהיא הדבר היחיד בהשוואה הזו שאפשר לפעול לפיו כבר היום. אם רינדור טקסט הוא הסיבה שאתם בוחרים בין המודלים האלה, אתם יכולים לבחון את ההתנהגות של רק אחד מהם במכונה שלכם. בדיקת MOSS-Image על עותק משלכם פירושה להוריד 27.2 GB ולהריץ אותו; בדיקת HY-Image 3.5 פירושה לשלוח פרומפטים ל-Tencent ולראות מה חוזר.

המספר היחיד בהשוואה הזו, ומה שהוא שווה

ל-M​OSS-Image יש בנצ'מרק. LongLongTextBench מורכב מ-240 משימות רינדור של טקסט ספרותי — 120 באנגלית, 120 בסינית — באורך יעד ממוצע של 1,339.8 תווים, ו-OpenMOSS נותן ל-M​OSS-Image ציון של 96.3 בכיסוי טקסט Mean-6 לעומת 64.9 עבור Q​wen-Image-2512. אותה טבלה מציבה את GPT Image 2 ב-99.0 ואת N​ano Banana Pro ב-96.6, וזה ראוי לציון פעמיים: זו טבלה שבה מתחרה מנצח, וזו טבלה שבה היתרון של M​OSS-Image על המודל שהיא מנצחת גדול מהפער שלה למודלים שלפניה.

כעת ההסתייגויות, והן לא קטנות. LongLongTextBench הוא הבנצ'מרק של OpenMOSS עצמה, שנבנה עבור ההשקה הזו, הורץ על ידי OpenMOSS, על המערכת של OpenMOSS עצמה. המדד Mean-6 לכיסוי טקסט הוא מדד של OpenMOSS עצמה. איש מחוץ למעבדה לא שחזר דבר מזה. זהו הנתון הראשון של ספק בקטגוריה הזו שמנסה בכלל למדוד טקסט ארוך, וזה גם בדיוק סוג הנתון שספק בונה כשיש לו משהו להראות.

ל-HY-Image 3.5 אין כאן מספר בכלל. לא מספר שפורסם, ולא מספר בלתי־תלוי — אף לוח דירוגים לא מדרג אף אחד משני הדגמים האלה ברינדור טקסט, וללוחות הבלתי־תלויים שכן כוללים את הדגם של Tencent אין ניסיון לבחון טקסט. אז שאלת הטקסט, שהיא הדבר ששני הספקים בחרו להוביל איתו, היא השאלה היחידה שההשוואה הזאת לא יכולה לענות עליה עם ראיות משני הצדדים. ספק אחד פרסם מבחן. האחר פרסם טענה. זה מצב הדברים, וכל כתבה שמציבה מספר לצד HY-Image 3.5 בציר הזה המציאה אותו.

כאשר ראיות בלתי תלויות אכן קיימות, וזה רק חצי מהשוואה

המודל של Tencent נמצא בלוחות של Artificial Analysis תחת הכינוי HunyuanImage 3.5 (Preview), וזה כשלעצמו שימושי מכיוון שהוא מאשש את השם: תווית ה-Preview היא המצב הנוכחי של המודל, לא מצב היסטורי. המזהה שנמצא בשימוש הוא hy-image-v3.5-preview, ולצידו לא ניצב מזהה שני ויציב. בלוח טקסט-לתמונה הוא מדורג באמצע השדה עם 976.02 Elo. בלוח עריכת התמונות הוא מגיע לחמישון העליון, עם 1,088 Elo לאורך 5,775 השוואות עיוורות — המובילים שם הם GPT Image 2.5 Sunburst ו-Flare של OpenAI עם 1,198 ו-1,177, כך ש-Tencent נמצא כ-110 Elo מתחת לחזית, במרווחים של בערך ±14.

מיקום העריכה הזה הוא המעניין במפגש הזה, ולא בגלל הדירוג. זה הלוח שמכסה חלקית את היכולת ש-Tencent בעצם מפרסמת. עריכה חוזרת של נושא בלי שהוא נסחף היא המחצית השנייה של המסר של Tencent בנוגע לטקסט ולעקביות, ודירוג Elo לעריכה בחמישון העליון הוא לפחות עקבי באופן רופף עם טענת העקביות. זה לא מדידה של טקסט, וזה לא מדידה של סחיפה לאורך רצף, אבל זה עצמאי, וזה יותר ממה שיש לכל דבר בצד של MOSS-Image.

MOSS-Image לא מופיע בלוחות האלה. הוא בן יום אחד. הבנצ'מרק השני שלו, RealLayoutArena, מכיל 61 משימות עיצוב שנשפטות בהשוואה זוגית עיוורת ומותאמות לסקאלת Bradley–Terry — 20 פוסטרים, 20 אינפוגרפיקות, 21 ממשקים — והוא גם נכלל בשחרור וגם נבנה על ידי הספק. בזירה מקצה-לקצה, MOSS-Image מקבל 1698.70 Elo, במקום השני, אחרי 1844.35 של GPT Image 2; כשהוא מוגבל ל-backbone בלבד תחת פרומפטים משופרים משותפים, הוא תופס את המקום הראשון עם 1807.34. אותו שחרור, אותו צד, אותה הסתייגות.

סינית, וזה המקום שבו שתי הטענות למעשה נפגשות

הנה הבדל מבני שאף אחד מהספקים לא יציין, ושהוא חשוב יותר מכל אחת משתי שורות הבנצ'מרק.

OpenMOSS בנתה מדד ביצועים דו-לשוני לטקסטים, מאוזן בכוונת מכוון — 120 מטלות באנגלית ו-120 מטלות בסינית, חלוקה שווה. זוהי בחירה תכנונית, והיא מעידה שהמודל הוערך כמוצר דו-לשוני ולא כמוצר אנגלי שסינית היא בונוס עבורו. קורפוס האימון של M​OSS-Image נגזר מנתונים שמקורם ב-ReLAION, שקוצצו מכ-5 מיליארד דגימות ל-3 מיליארד ללא סינון נוסף, ולמערך ה-items של תבנית הפריסה שמקבל תווית של text, character או object — טקסונומיה שנשמעת בלתי תלויה בכתב בכוונה תחילה.

העמדה של Tencent היא תמונת ראי. הסינית היא שוק הבית; חומרי המוצר מתארים את המודל כמציע הבנה חזקה של סינית; נקודת הקצה הבינלאומית היא משטח שני מאחורי זו המקומית, בתמחור נפרד. Tencent לא נדרשה לבנות בנצ'מרק מאוזן לאנגלית/סינית, משום שהסינית מעולם לא הייתה הסיכון. מה שהיא לא עשתה הוא לפרסם כיצד החצי האנגלי מתפקד.

אז לצוות שמשלח נכסים בשפה הסינית יש, מצד אחד, ספק עם מוצר שמכוון קודם כל לסינית וציון באנגלית שאי אפשר לפרסם, ומצד שני, ספק עם הערכה דו-לשונית מאוזנת בכוונה ובלי שום רקורד בשוק הסיני. שני סוגים שונים של ביטחון, ואף אחד מהם אינו ניתן להעברה לשוק של האחר. הדרך היחידה להכריע היא עימות ראש-בראש על הטקסט שלכם, ורק אחד משני המודלים האלה מאפשר לכם לעשות את זה. תריצו את המחרוזות בסינית שאתם באמת משלחים — שמות מוצרים, שורות משפטיות, תווי האן שקל להמציא — דרך MOSS-Image-SFT באופן מקומי, ותנו לאותן מחרוזות להתמודד מול hy-image-v3.5-preview דרך API. הניסוי הזה עולה אחר צהריים אחד ומכריע יותר משני חומרי הספקים גם יחד.

עלות, נגישות ושאלת המסלול

השוואת העלויות נוטה בבירור לכיוון אחד, והשוואת הנגישות נוטה בבירור לכיוון האחר, ולכן ההחלטה לעתים רחוקות נקבעת לפי החשבונית.

H​Y-Image 3.5 עולה $0.024 עבור תמונה ברזולוציית 2K באופן בינלאומי — $24 לכל 1,000, שהוא אותו נתון שמנוסח מחדש לפי אלף ומופיע בלוח העצמאי, כך שתעריף הספק ועמודת המחיר בלוח תואמים. מקומית זה ¥0.15 עבור תמונה ברזולוציית 2K, והחיוב הוא על תמונות פלט שנמסרו בלבד, כך שבקשה מסוננת או כשלה אינה מחויבת. בקצב של מאה אלף תמונות בחודש זה $2,400, עם מצב כשל מתועד שאינו מחייב.

ל-MOSS-Image אין מחירון. הרישיון הוא Apache 2.0 וההורדה היא כ-27.2 GB, שמתוכם כ-16.8 GB על פני ארבעה שרדים הם מקודד הטקסט הקפוא Qwen3.5-9B, וכ-10.2 GB על פני שלושה הם הטרנספורמר. תג 5B מתאר את מחולל הדיפוזיה בלבד, והמקודד הוא המחצית הגדולה יותר של ההורדה. ברירות המחדל של הדגימה הן flow-matching Euler ב-50 צעדים עם CFG 3.0 ו-shift 5.0; מסלול ההנחיה המוגדר כברירת מחדל דורש שני מעברים קדימה של הטרנספורמר בכל צעד, כך שמספר הצעדים אינו ההגדרה הזולה כפי שהיא נראית. מאה אלף התמונות שלך עולות כמו שעולה זמן ה-GPU שלך, ותו לא.

הנקודה שבה שני המסלולים הללו מתכנסים היא ששניהם אינם בעיית ניתוב. MOSS-Image אינו נמצא בקטלוג של OrcaRouter — אנו מספקים יותר מ-200 מודלים והוא אינו אחד מהם — כך שהחלק של המשקלים בהשוואה הזו הוא התשתית שלך. HY-Image 3.5 גם אינו נמצא בו, והמסלול המתועד שלו הוא ה-API של Tencent עצמה או המוצרים של Tencent עצמה; ל-Tencent אין צ'קפוינט, אין רישיון מקומי ואין מסלול לא מקוון, וצמתי ComfyUI שקיימים עבורו קוראים ל-API במקום לפעול מאחורי ה-API. התיאור הכן של שניהם הוא הגנרי: דרך ה-API של הספק עצמו, ובמקרה של Tencent, כלי הצד הראשון שלה.

מה שהנתב באמת שימושי עבורו כאן הוא הדבר השלישי, והוא הניסוי שלמעלה. אם ברצונך לבדוק כיצד רינדור הטקסט המקומי של MOSS-Image מתמודד מול מודלים מתארחים ולא מול לוח דירוג, הצד המתארח הוא המקום שבו ההשוואה נושכת, והצבת צ'קפוינט באירוח עצמי מול כמה מודלי תמונות מתארחים על אותן הנחיות היא בדיוק סוג המשימה שנקודת קצה אחת עם מעבר אוטומטי בין ספקים ומחירי המחירון של הספקים שמועברים ללא שינוי נבנתה עבורה: מפתח אחד במקום ארבע אינטגרציות, והרצה שמסתיימת גם כשספק אחד חווה שעה רעה. GPT Image 2 והמודלים לתמונות של Google נמצאים בנקודת הקצה הזו; MOSS-Image לא.

לבחור בין הערכה ששוחררה לבין מוצר ששוחרר

בחרו ב-MOSS-Image אם הדבר הספציפי שאתם צריכים הוא שליטה מובנית על היכן שהטקסט ממוקם וכמה זמן הוא נמשך. ה-JSON של הפריסה מציין במפורש את המחרוזת והמיקום של כל רכיב טקסט, ‏Apache 2.0 מקצר את הבדיקה המסחרית, וה-checkpoint של Base הושאר בכוונה ללא זיקוק — כרטיס המודל מציין שלא בוצע post-training ולא זיקוק של פרמטרי הסקה כגון CFG — וזו בחירה מכוונת להשאיר משהו שאימון LoRA יעבוד עליו. גשו לכך בידיעה ששני הבנצ'מרקים הנושאים את שמו הם של הספק עצמו, שנתון הפריסה החזק ביותר מקצה-לקצה מגיע מצינור שחצי מפרט-הפרומפט שלו הוא מודל של צד שלישי ולא מודול קטן של OpenMOSS, ושהאנקודר מהווה את עיקר נפח ההורדה.

בחר ב-H​Y-Image 3.5 אם אתה זקוק לנקודת קצה ניתנת לקריאה השבוע, אם הנכסים שלך בסינית, או אם אתה מעדיף לקנות מודל עם מיקום עריכה עצמאי מאשר כזה עם בנצ'מרק של ספק. גש לכך בידיעה שהמזהה הוא כינוי של תצוגה מקדימה ללא תחליף מתוארך, שטענת הטקסט היא משפט ולא ציון, ושהדבר היחיד שנמדד באופן עצמאי במודל הוא ממוצע העדפה עיוור שאינו אומר דבר על אם החלק שלא נגעת בו בפריים שלך נשאר ללא נגיעה.

הפער שישנה את זה יותר מכל אינו מודל חדש. זהו צד שני שמריץ את LongLongTextBench על משהו שאינו MOSS-Image, או ש-Tencent תפרסם ציון לרינדור טקסט עבור התצוגה המקדימה. אף אחד מהם אינו קיים, ועד שאחד מהם יתקיים, הגרסה המעשית של ההשוואה הזו היא הורדה מול קריאת API ואחר צהריים שיוקדש למחרוזות שלכם — וזה שימוש טוב יותר בזמן מאשר לקרוא את הטבלה של מי מהספקים.

הכשלים המתועדים של ה-AI ותקריות הסוכנים שמאחורי גרסאות כמו זו נאספים בארכיון תקריות ה-AI של OrcaRouter, שבו כל רשומה כוללת מקורות משלה, חומרה, דירוג מהימנות ודגל מחלוקת.