MOSS-Image vs HY-Image 3.5: Keduanya Menjual Teks Hasil Render kepada Anda, dan Hanya Satu yang Menunjukkan Tes Itu kepada Anda

Tanyakan kepada salah satu vendor untuk apa model gambar mereka sebenarnya, dan Anda akan mendapatkan jawaban yang sama. M​OSS-Image, yang dirilis oleh OpenMOSS pada 16 Oktober 2026 sebagai checkpoint Apache 2.0 M​OSS-Image-Base dan M​OSS-Image-SFT, mengunggulkan rendering teks dan tata letak. H​Y-Image 3.5, model gambar T​encent saat ini di lini H​unyuan, mengunggulkan akurasi yang lebih baik pada teks yang dirender di dalam gambar — baik dalam bahasa Mandarin maupun Inggris. Dua vendor, berjarak lima ribu mil, memilih kemampuan yang sama untuk diiklankan, yang merupakan sinyal yang wajar tentang di mana mode kegagalan nyata kategori ini berada selama dua tahun terakhir.

Kedua klaim itu, bagaimanapun, datang dalam kemasan yang sepenuhnya berbeda. Salah satunya datang dengan tolok ukur dan angka. Yang lainnya datang dengan sebuah kalimat. Asimetri itulah — bukan kualitas gambar, yang belum diukur siapa pun di antara keduanya — yang menjadi keseluruhan perbandingannya, dan perlu ditelaah dengan cermat karena angka yang ada berasal dari vendor itu sendiri dan kalimat yang tidak ada berasal dari vendor dengan sejarah lebih panjang.

Apa arti "text rendering" di masing-masing sisi?

Klaim T​encent adalah klaim tentang ketepatan lintas dua aksara. H​Y-Image 3.5 didokumentasikan sebagai meningkatkan akurasi teks yang digambar di dalam gambar, dan materinya secara eksplisit menyatakan bahwa ini mencakup bahasa Tionghoa dan Inggris. Itu klaim yang lebih sempit dan lebih praktis daripada kedengarannya. Bahasa Tionghoa adalah aksara yang paling buruk ditangani oleh sebagian besar model gambar Barat — kepadatan glifnya lebih tinggi, inventaris karakternya mencapai ribuan, bukan puluhan, dan model yang menghasilkan bentuk huruf Latin yang tampak masuk akal dapat menghasilkan hanzi yang sepenuhnya dibuat-buat tanpa ada yang menyadarinya sampai seorang penyunting naskah melakukannya. Vendor yang pasar dalam negerinya menulis dalam bahasa Tionghoa punya alasan jelas untuk menyerang itu lebih dahulu, dan T​encent telah mengatakannya secara langsung.

Klaim OpenMOSS adalah tentang panjang, bukan cakupan aksara. Demonstrasi utama M​OSS-Image adalah paragraf — teks sastra dengan panjang target rata-rata sekitar 1.340 karakter, tetap terbaca dengan jelas pada sebuah gambar. Itu masalah yang berbeda dari menuliskan empat karakter Tionghoa dengan benar. Itu perbedaan antara merender sebuah wordmark dan merender sebuah halaman.

• Apa yang dikedepankan vendor — MOSS-Image: rendering teks panjang, dengan tata letak sebagai mekanisme kendali. HY-Image 3.5: akurasi teks dalam bahasa Tionghoa dan Inggris, dengan konsistensi subjek di seluruh pengeditan berulang.

• Apa yang diberikan antarmuka kepada Anda — MOSS-Image: prompt JSON dengan ringkasan blok dan item array, di mana setiap elemen teks membawa bounding box dan string literal yang akan dirender. HY-Image 3.5: prompt bahasa alami, plus gambar referensi untuk arah penyuntingan. Tidak ada bidang string per-elemen yang didokumentasikan.

• Apa batas maksimum output — M​OSS-Image: dilatih pada 576, lalu 3.072, lalu 8.192 token di tiga resolusi, dengan tahap akhir pada sekitar 1024². H​Y-Image 3.5: hingga 2K, dalam kata-kata T​encent sendiri.

• Apa yang mengatur bobotnya — M​OSS-Image: Apache 2.0, tanpa ambang batas pendapatan. H​Y-Image 3.5: tidak ada yang dipublikasikan. Tidak ada checkpoint, tidak ada lisensi lokal, tidak ada jalur offline.

• Yang Anda bayar — M​OSS-Image: tidak ada biaya untuk lisensi. H​Y-Image 3.5: $0.024 untuk gambar 2K di endpoint internasional, ¥0.15 domestik, ditagih hanya untuk gambar keluaran yang dikirim.

Butir keempat itu layak mendapat kalimatnya sendiri, karena itulah satu hal tentang pertarungan ini yang bisa Anda tindak lanjuti hari ini. Jika perenderan teks adalah alasan Anda memilih di antara model-model ini, Anda hanya dapat memeriksa perilaku salah satunya di mesin Anda sendiri. Menguji M​OSS-Image pada salinan Anda sendiri berarti mengunduh 27,2 GB dan menjalankannya; menguji H​Y-Image 3.5 berarti mengirim prompt ke T​encent dan melihat apa yang dikembalikan.

Satu angka dalam perbandingan ini, dan berapa nilainya

M​OSS-Image memiliki benchmark. LongLongTextBench terdiri atas 240 tugas perenderan teks sastra — 120 bahasa Inggris, 120 bahasa Mandarin — dengan rata-rata panjang target 1.339,8 karakter, dan OpenMOSS memberi M​OSS-Image skor 96,3 pada cakupan teks Mean-6, dibandingkan 64,9 untuk Q​wen-Image-2512. Tabel yang sama menempatkan GPT Image 2 pada 99,0 dan N​ano Banana Pro pada 96,6, yang patut dicatat dua kali: ini adalah tabel yang dimenangkan seorang pesaing, dan ini adalah tabel di mana keunggulan M​OSS-Image atas model yang dikalahkannya lebih besar daripada kekurangannya terhadap model-model di depannya.

Sekarang catatan-catatannya, yang tidak kecil. LongLongTextBench adalah benchmark milik OpenMOSS sendiri, dibuat untuk rilis ini, dijalankan oleh OpenMOSS, di sistem milik OpenMOSS sendiri. Mean-6 text coverage adalah metrik milik OpenMOSS sendiri. Tidak ada orang di luar lab yang mereproduksi apa pun darinya. Ini adalah angka vendor pertama di kategori ini yang setidaknya mencoba mengukur teks panjang, dan ini juga persis jenis angka yang dibuat vendor ketika ia punya sesuatu untuk ditunjukkan.

H​Y-Image 3.5 sama sekali tidak punya angka di sini. Bukan angka yang dipublikasikan, dan bukan angka independen — tidak ada papan peringkat yang memberi skor untuk kedua model ini pada rendering teks, dan papan independen yang memang memuat model T​encent tidak mencoba menguji teks. Jadi pertanyaan tentang teks, hal yang kedua vendor pilih untuk diunggulkan, adalah satu pertanyaan yang tidak bisa dijawab oleh perbandingan ini dengan bukti dari kedua belah pihak. Satu vendor menerbitkan tes. Yang lain menerbitkan klaim. Itulah keadaan saat ini, dan artikel apa pun yang menempatkan angka di samping H​Y-Image 3.5 pada aspek ini telah mengarangnya.

Ketika bukti independen memang ada, dan itu hanya setengah perbandingan

Model Tencent ada di papan Artificial Analysis dengan sebutan HunyuanImage 3.5 (Preview), yang dengan sendirinya berguna karena menguatkan penamaan: label preview adalah status model saat ini, bukan status historis. Pengenal yang beredar adalah hy-image-v3.5-preview, dan tidak ada pengenal kedua yang stabil di sampingnya. Di papan text-to-image, peringkatnya berada di tengah-tengah daftar pada 976,02 Elo. Di papan pengeditan gambar, ia masuk dalam 20% teratas, pada 1.088 Elo dalam 5.775 perbandingan buta — pemimpin di sana adalah GPT Image 2.5 Sunburst dan Flare milik OpenAI pada 1.198 dan 1.177, jadi Tencent berada sekitar 110 Elo di bawah garis depan dengan interval sekitar ±14.

Penempatan penyuntingan itu adalah yang menarik untuk pertandingan ini, dan bukan karena peringkatnya. Itu adalah papan peringkat yang sebagian mencakup kemampuan yang sebenarnya diiklankan T​encent. Menyunting subjek berulang kali tanpa membuatnya bergeser adalah paruh kedua dari penawaran teks-dan-konsistensi T​encent, dan Elo penyuntingan di seperlima teratas setidaknya secara longgar konsisten dengan klaim konsistensi tersebut. Itu bukan pengukuran teks, dan bukan pengukuran pergeseran di sepanjang urutan, tetapi itu independen, yang lebih dari apa pun yang dimiliki sisi M​OSS-Image.

M​OSS-Image tidak ada di papan peringkat tersebut. Umurnya baru satu hari. Tolok ukur keduanya, RealLayoutArena, terdiri atas 61 tugas desain yang dinilai melalui perbandingan berpasangan secara buta dan dicocokkan ke skala Bradley–Terry — 20 poster, 20 infografis, 21 antarmuka — dan ini juga dirilis bersama rilis tersebut serta juga dibuat oleh vendor. Di arena end-to-end, M​OSS-Image meraih 1698,70 Elo, kedua setelah GPT Image 2 dengan 1844,35; jika dibatasi hanya pada backbone di bawah prompt yang ditingkatkan bersama, ia menempati peringkat pertama pada 1807,34. Rilis yang sama, pihak yang sama, catatan yang sama.

Tionghoa, yang justru menjadi titik temu kedua klaim tersebut

Inilah perbedaan struktural yang tidak akan disebutkan oleh kedua vendor itu dan yang lebih penting daripada salah satu baris benchmark.

OpenMOSS membangun tolok ukur teks bilingual yang sengaja dibuat seimbang — 120 tugas berbahasa Inggris dan 120 tugas berbahasa Mandarin, pembagian yang merata. Itu adalah pilihan desain, dan hal itu menunjukkan bahwa model tersebut dievaluasi sebagai produk bilingual, bukan sebagai produk berbahasa Inggris dengan bahasa Mandarin sebagai bonus. Korpus pelatihan MOSS-Image berasal dari data turunan ReLAION yang dipangkas dari sekitar 5 miliar sampel menjadi 3 miliar tanpa penyaringan lebih lanjut, dan item array pada format tata letak menerima label berupa teks, karakter atau objek — taksonomi yang sengaja tampak tidak terikat pada aksara tertentu.

Posisi Tencent adalah cerminan sebaliknya. Bahasa Mandarin adalah pasar domestik; materi produk menggambarkan model tersebut sebagai menawarkan pemahaman bahasa Mandarin yang kuat; endpoint internasional adalah permukaan kedua di belakang yang domestik, dengan harga terpisah. Tencent tidak perlu membangun tolok ukur bahasa Inggris/Mandarin yang seimbang karena bahasa Mandarin tidak pernah menjadi risikonya. Yang belum dilakukannya adalah menerbitkan bagaimana kinerja separuh bahasa Inggrisnya.

Jadi, sebuah tim yang merilis aset berbahasa Mandarin memiliki, di satu sisi, vendor dengan produk yang mengutamakan Mandarin dan angka bahasa Inggris yang tidak dapat dipublikasikan, dan di sisi lain, vendor dengan evaluasi bilingual yang sengaja dibuat seimbang dan tanpa rekam jejak di pasar Tiongkok. Dua jenis keyakinan yang berbeda, dan tidak satu pun dapat ditransfer ke pasar yang lain. Satu-satunya cara untuk menyelesaikannya adalah adu langsung pada konten Anda sendiri, dan hanya satu dari dua model ini yang memungkinkan Anda melakukannya. Jalankan string Mandarin yang benar-benar Anda rilis — nama produk, teks legal, hanziyang mudah dikarang — melalui M​OSS-Image-SFT secara lokal, lalu uji string yang sama terhadap hy-image-v3.5-previewmelalui API. Eksperimen itu hanya memakan waktu satu sore dan menyelesaikan lebih banyak daripada gabungan materi kedua vendor.

Biaya, akses, dan pertanyaan rute

Perbandingan biaya timpang di satu sisi dan perbandingan akses timpang di sisi lainnya, itulah sebabnya keputusan jarang ditentukan oleh tagihan.

H​Y-Image 3.5 adalah $0.024 untuk gambar 2K secara internasional — $24 per 1.000, angka yang sama yang dinyatakan ulang per seribu seperti yang muncul di papan independen, sehingga tarif vendor dan kolom harga papan tersebut sejalan. Untuk domestik, harganya ¥0.15 per gambar 2K, dan penagihan hanya berdasarkan gambar keluaran yang terkirim, jadi permintaan yang difilter atau gagal tidak dikenakan biaya. Pada seratus ribu gambar per bulan, itu berarti $2.400, dengan mode kegagalan yang terdokumentasi yang tidak menagih.

MOSS-Image tidak memiliki daftar tarif. Lisensinya adalah Apache 2.0 dan unduhannya sekitar 27,2 GB, yang kira-kira 16,8 GB di empat shard adalah text encoder Qwen3.5-9B yang dibekukan dan sekitar 10,2 GB di tiga shard adalah transformer. Label 5B hanya menggambarkan generator difusi saja, dan encoder adalah bagian yang lebih besar dari unduhan. Default sampling adalah Euler flow-matching pada 50 langkah dengan CFG 3.0 dan shift 5.0; jalur guidance default membutuhkan dua forward transformer per langkah, jadi jumlah langkah bukanlah pengaturan murah seperti yang terlihat. Biaya seratus ribu gambar Anda sama dengan biaya waktu GPU Anda, dan tidak ada biaya lain.

Kedua rute itu bertemu pada satu hal: keduanya bukanlah masalah routing. M​OSS-Image tidak ada di katalog OrcaRouter — kami melayani lebih dari 200 model dan M​OSS-Image bukan salah satunya — jadi separuh bobot dari perbandingan ini adalah infrastruktur Anda sendiri. H​Y-Image 3.5 juga tidak ada di sana, dan rute yang didokumentasikan untuknya adalah API milik T​encent sendiri atau produk milik T​encent sendiri; T​encent tidak memiliki checkpoint, tidak memiliki lisensi lokal, dan tidak memiliki jalur offline, dan node ComfyUI yang ada untuknya memanggil API, bukan menjalankannya di belakangnya. Deskripsi jujur untuk keduanya adalah deskripsi generik: melalui API milik vendor sendiri dan, dalam kasus T​encent, alat pihak pertamanya sendiri.

Yang membuat router ini sebenarnya berguna di sini adalah hal ketiga, yaitu eksperimen di atas. Jika Anda ingin menguji bagaimana rendering teks lokal MOSS-Image dibandingkan dengan model yang dihosting, bukan dengan papan peringkat, sisi hosted-lah yang menjadi titik perbandingannya, dan menempatkan checkpoint yang dihosting sendiri melawan beberapa model gambar hosted pada prompt yang identik adalah jenis pekerjaan yang dirancang untuk satu endpoint dengan failover otomatis dan harga daftar penyedia yang diteruskan tanpa perubahan: satu kunci alih-alih empat integrasi, dan proses yang selesai bahkan ketika salah satu penyedia sedang bermasalah selama satu jam. GPT Image 2 dan model gambar Google ada di endpoint itu; MOSS-Image tidak.

Memilih antara evaluasi yang dikirim dan produk yang dikirim

Pilih MOSS-Image jika hal spesifik yang Anda butuhkan adalah kontrol terstruktur atas di mana teks ditempatkan dan seberapa panjang teks itu membentang. JSON tata letak menyebutkan string dan posisi setiap elemen teks secara eksplisit, Apache 2.0 membuat tinjauan komersial menjadi singkat, dan checkpoint Base sengaja dibiarkan tanpa distilasi — kartu model menyatakan tidak ada pasca-pelatihan atau distilasi parameter inferensi seperti CFG yang diterapkan — yang merupakan pilihan sengaja untuk meninggalkan sesuatu agar pelatihan LoRA bisa mengerjakannya. Ketahuilah sejak awal bahwa kedua benchmark yang menyandang namanya adalah milik vendor sendiri, bahwa angka tata letak end-to-end terkuat berasal dari pipeline yang separuh spesifikasi prompt-nya adalah model pihak ketiga alih-alih modul OpenMOSS kecil, dan bahwa encoder mendominasi unduhan.

Ambil H​Y-Image 3.5 jika Anda memerlukan endpoint yang dapat dipanggil minggu ini, jika aset Anda berbahasa Tionghoa, atau jika Anda lebih suka membeli model dengan penempatan penyuntingan independen daripada model dengan tolok ukur vendor. Pahami sejak awal bahwa pengenal itu adalah sebutan pratinjau tanpa pengganti bertanggal, bahwa klaim teksnya hanyalah sebuah kalimat dan bukan skor, dan bahwa satu-satunya hal yang diukur secara independen tentang model ini adalah rata-rata preferensi buta yang tidak mengatakan apa pun tentang apakah bagian bingkai Anda yang tidak disentuh tetap tidak disentuh.

Kesenjangan yang paling bisa mengubah ini bukanlah model baru. Melainkan pihak kedua yang menjalankan LongLongTextBench pada sesuatu yang bukan MOSS-Image, atau Tencent yang menerbitkan skor rendering teks untuk pratinjau. Keduanya tidak ada, dan sampai salah satunya ada, versi praktis dari perbandingan ini adalah mengunduh versus panggilan API dan menghabiskan satu sore dengan string Anda sendiri — yang merupakan penggunaan waktu yang lebih baik daripada membaca tabel dari salah satu vendor.

Kegagalan AI yang terdokumentasi dan insiden agen di balik rilis seperti ini dikumpulkan dalam the OrcaRouter AI Incident Archive, tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda sengketa.