MOSS-Image vs HY-Image 3.5: Entrambi ti vendono testo renderizzato, e solo uno ti mostra il test

Chiedi a entrambi i fornitori a cosa serve davvero il loro modello di immagini e ottieni la stessa risposta. M​OSS-Image, rilasciato da OpenMOSS il 16 ottobre 2026 come checkpoint Apache 2.0 M​OSS-Image-Base e M​OSS-Image-SFT, punta innanzitutto sul rendering del testo e sul layout. H​Y-Image 3.5, l'attuale modello di immagini di T​encent all'interno della linea H​unyuan, punta su una maggiore accuratezza del testo reso all'interno dell'immagine — sia in cinese sia in inglese. Due fornitori, a cinquemila miglia di distanza, che scelgono la stessa capacità da pubblicizzare: un segnale piuttosto eloquente su dove si sia trovato il vero punto di rottura della categoria negli ultimi due anni.

Le due affermazioni, però, arrivano in confezioni completamente diverse. Una arriva con un benchmark e un numero. L'altra arriva con una frase. È proprio quell'asimmetria — non la qualità delle immagini, che nessuno ha misurato tra queste due — a costituire l'intero confronto, e vale la pena esaminarla attentamente, perché il numero che esiste è del fornitore stesso, mentre la frase che non esiste viene da un fornitore con una storia più lunga.

Che cosa significa "text rendering" su ciascun lato

L'affermazione di Tencent è un'affermazione sulla correttezza su due sistemi di scrittura. Secondo la documentazione, HY-Image 3.5 migliora l'accuratezza del testo disegnato all'interno dell'immagine, e il materiale è esplicito nel precisare che ciò riguarda cinese e inglese. È un'affermazione più circoscritta e più concreta di quanto non sembri. Il cinese è il sistema di scrittura che i modelli di immagini occidentali gestiscono peggio: la densità dei glifi è maggiore, l'inventario di caratteri si conta a migliaia anziché a decine, e un modello in grado di produrre forme di lettere latine dall'aspetto plausibile può generare hanzidel tutto inventati senza che nessuno se ne accorga, finché non se ne accorge un correttore di bozze. Un fornitore il cui mercato principale scrive in cinese ha un motivo ovvio per affrontare per prima proprio quella questione, e Tencent lo ha detto apertamente.

L'affermazione di OpenMOSS riguarda la lunghezza più che la copertura dei sistemi di scrittura. La dimostrazione di punta di MOSS-Image sono i paragrafi — testo letterario con una lunghezza media target di circa 1.340 caratteri, mantenuto in modo leggibile attraverso un'immagine. È un problema diverso dal rendere correttamente quattro caratteri cinesi. È la differenza tra il rendering di un logo testuale e il rendering di una pagina.

• Ciò che il fornitore mette in primo piano — M​OSS-Image: rendering di testi lunghi, con il layout come meccanismo di controllo. H​Y-Image 3.5: accuratezza del testo in cinese e inglese, con coerenza del soggetto attraverso ripetute modifiche.

• Cosa ti offre l'interfaccia — M​OSS-Image: un prompt JSON con un summary blocco e un items array, dove ogni elemento di testo contiene un bounding box e la stringa letterale da renderizzare. H​Y-Image 3.5: un prompt in linguaggio naturale, più immagini di riferimento per la direzione di editing. Nessun campo stringa per elemento documentato.

• Qual è il tetto di output — M​OSS-Image: addestrato su 576, poi 3.072, poi 8.192 token attraverso tre risoluzioni, con la fase finale a circa 1024². H​Y-Image 3.5: fino a 2K, per usare le parole di T​encent.

• Cosa disciplina i pesi — MOSS-Image: Apache 2.0, nessuna soglia di ricavi. HY-Image 3.5: nulla di pubblicato. Nessun checkpoint, nessuna licenza locale, nessuna via offline.

• Quanto paghi — M​OSS-Image: nulla per la licenza. H​Y-Image 3.5: $0,024 per un'immagine 2K sull'endpoint internazionale, ¥0,15 per il mercato interno, fatturato solo sulle immagini di output consegnate.

Quel quarto punto merita una frase a sé, perché è l'unica cosa di questo confronto su cui puoi agire oggi. Se il rendering del testo è il motivo per cui stai scegliendo tra questi modelli, puoi ispezionare il comportamento di uno solo di essi sulla tua macchina. Testare M​OSS-Image sulla tua copia significa scaricare 27,2 GB ed eseguirlo; testare H​Y-Image 3.5 significa inviare prompt a T​encent e guardare cosa restituisce.

L'unico numero in questo confronto, e quanto vale

M​OSS-Image ha un benchmark. LongLongTextBench consiste in 240 attività di rendering di testi letterari — 120 in inglese, 120 in cinese — con una lunghezza obiettivo media di 1.339,8 caratteri, e OpenMOSS assegna a M​OSS-Image 96,3 sulla copertura testuale Mean-6 contro 64,9 di Q​wen-Image-2512. La stessa tabella colloca GPT Image 2 a 99,0 e N​ano Banana Pro a 96,6, il che vale la pena notare due volte: è una tabella in cui vince un concorrente, ed è una tabella in cui il margine di M​OSS-Image sul modello che batte è maggiore del suo svantaggio rispetto ai modelli che lo precedono.

Ora, le avvertenze, che non sono di poco conto. LongLongTextBench è il benchmark di OpenMOSS, creato per questo rilascio, eseguito da OpenMOSS, sul sistema di OpenMOSS. Mean-6 text coverage è una metrica di OpenMOSS. Nessuno al di fuori del laboratorio ne ha riprodotto alcuna parte. È il primo numero di un fornitore in questa categoria che tenti anche solo di misurare il testo lungo, ed è anche esattamente il tipo di numero che un fornitore costruisce quando ha qualcosa da mostrare.

HY-Image 3.5 qui non ha proprio nessun numero. Né uno pubblicato, né uno indipendente — nessuna board valuta nessuno di questi due modelli sul rendering del testo, e le board indipendenti che pure includono il modello di Tencent non affrontano il testo. Quindi la questione del testo, che è l'elemento su cui entrambi i fornitori hanno scelto di aprire, è proprio la domanda a cui questo confronto non può rispondere con prove da entrambe le parti. Un fornitore ha pubblicato un test. L'altro ha pubblicato un'affermazione. Questo è lo stato delle cose, e qualsiasi pezzo che metta una cifra accanto a HY-Image 3.5 su questo asse se l'è inventata.

Dove una prova indipendente esiste davvero, e si tratta solo di metà di un confronto

Il modello di Tencent figura nelle classifiche di Artificial Analysis con la denominazione HunyuanImage 3.5 (Preview), il che è di per sé utile perché corrobora la denominazione: l'etichetta "preview" indica lo stato attuale del modello, non uno storico. L'identificatore in circolazione è hy-image-v3.5-preview, e accanto ad esso non ne esiste un secondo, stabile. Nella classifica text-to-image si colloca a metà del gruppo con 976,02 Elo. In quella di image editing si piazza nel quinto più alto, a 1.088 Elo su 5.775 confronti in cieco — i leader in quella sede sono GPT Image 2.5 Sunburst e Flare di OpenAI, a 1.198 e 1.177, quindi Tencent si trova circa 110 Elo sotto la frontiera, su intervalli di circa ±14.

Quel posizionamento nell'editing è quello interessante per questo confronto, e non per il rango. È la classifica che copre in parte la capacità che Tencent pubblicizza davvero. Modificare ripetutamente un soggetto senza che vada alla deriva è la seconda metà della proposta di Tencent su testo e coerenza, e un Elo di editing nel quintile superiore è almeno vagamente coerente con l'affermazione sulla coerenza. Non è una misura del testo, e non è una misura della deriva lungo una sequenza, ma è indipendente, il che è più di quanto abbia qualunque cosa sul versante MOSS-Image.

MOSS-Image non è presente in quelle classifiche. Ha un giorno di vita. Il suo secondo benchmark, RealLayoutArena, comprende 61 attività di design valutate tramite confronto a coppie in cieco e adattate a una scala Bradley–Terry — 20 poster, 20 infografiche, 21 interfacce — ed è anch'esso distribuito con la release ed è stato anch'esso creato dal fornitore. Nell'arena end-to-end, MOSS-Image ottiene 1698,70 Elo, secondo solo ai 1844,35 di GPT Image 2; limitato al solo backbone con prompt potenziati condivisi, conquista il primo posto con 1807,34. Stessa release, stesso soggetto, stessa avvertenza.

Il cinese, che è il punto in cui le due affermazioni si incontrano davvero

Ecco una differenza strutturale che nessuno dei due fornitori farà notare e che conta più di ciascuna delle due righe di benchmark.

OpenMOSS ha creato un benchmark testuale bilingue deliberatamente bilanciato — 120 attività in inglese e 120 attività in cinese, una divisione equa. È una scelta progettuale, e indica che il modello è stato valutato come un prodotto bilingue anziché come un modello inglese con il cinese come bonus. Il corpus di addestramento di MOSS-Image è nato da dati derivati da ReLAION, ridotti da circa 5 miliardi di campioni a 3 miliardi senza ulteriore filtraggio, e il items array del formato di layout accetta un'etichetta di text, character o object — una tassonomia che appare volutamente indipendente dallo script.

La posizione di Tencent è l'immagine speculare. Il cinese è il mercato domestico; il materiale di prodotto descrive il modello come capace di offrire una forte comprensione del cinese; l'endpoint internazionale è una seconda superficie dietro quella domestica, con prezzo separato. Tencent non ha dovuto costruire un benchmark equilibrato inglese/cinese perché il cinese non è mai stato il rischio. Ciò che non ha fatto è pubblicare come si comporta la metà inglese.

Quindi un team che pubblica asset in lingua cinese ha, da un lato, un fornitore con un prodotto pensato innanzitutto per il cinese e un numero in inglese non pubblicabile, e dall'altro un fornitore con una valutazione bilingue deliberatamente equilibrata e nessun track record sul mercato cinese. Due tipi diversi di fiducia e nessuno dei due è trasferibile al mercato dell'altro. L'unico modo per risolverla è un confronto diretto sul tuo copy, e solo uno di questi due modelli ti permette di farlo. Fai passare le stringhe cinesi che pubblichi davvero — nomi di prodotto, righe legali, hanzi facili da inventare — attraverso MOSS-Image-SFT in locale, e metti le stesse stringhe contro hy-image-v3.5-preview via API. Quell'esperimento costa un pomeriggio e risolve più del materiale di entrambi i fornitori messo insieme.

Costo, accesso e la questione del percorso

Il confronto dei costi è sbilanciato in una direzione e il confronto dell'accesso è sbilanciato nell'altra, ed è per questo che la decisione raramente si riduce alla fattura.

HY-Image 3.5 costa $0,024 per un'immagine 2K a livello internazionale — $24 per 1.000, la stessa cifra riespressa per migliaio che compare sulla bacheca indipendente, quindi la tariffa del fornitore e la colonna dei prezzi della bacheca concordano. Sul mercato interno costa ¥0,15 per un'immagine 2K, e la fatturazione avviene solo sulle immagini di output consegnate, quindi una richiesta filtrata o non riuscita non viene addebitata. A centomila immagini al mese, sono $2.400, con una modalità di errore documentata che non genera addebito.

MOSS-Image non ha un listino prezzi. La licenza è Apache 2.0 e il download è di circa 27,2 GB, di cui all'incirca 16,8 GB distribuiti su quattro shard sono il text encoder congelato Qwen3.5-9B e circa 10,2 GB su tre sono il transformer. Il badge 5B descrive solo il generatore di diffusione, e l'encoder è la metà più grande del download. Le impostazioni predefinite di campionamento sono Euler flow-matching a 50 passi con CFG 3,0 e shift 5,0; il percorso di guidance predefinito richiede due forward del transformer per passo, quindi il numero di passi non è l'impostazione economica che sembra. Le tue centomila immagini costano quanto costa il tempo della tua GPU, e nient'altro.

Il punto in cui queste due strade convergono è che nessuna delle due è un problema di routing. M​OSS-Image non è presente nel catalogo OrcaRouter — serviamo più di 200 modelli e non è uno di essi — quindi la metà di questo confronto relativa ai pesi è la tua infrastruttura. Anche H​Y-Image 3.5 non è presente, e il suo percorso documentato è l'API di T​encent o i prodotti di T​encent stessi; T​encent non ha checkpoint, né licenza locale, né percorso offline, e i nodi ComfyUI esistenti per esso chiamano l'API invece di girare dietro di essa. La descrizione onesta di entrambi è quella generica: tramite l'API del fornitore stesso e, nel caso di T​encent, i suoi strumenti first-party.

Ciò per cui il router è davvero utile qui è la terza cosa, ovvero l'esperimento di cui sopra. Se vuoi verificare come il rendering del testo locale di MOSS-Image si raffronta con i modelli ospitati anziché con una classifica, è il lato ospitato quello in cui il confronto morde, e mettere un checkpoint self-hosted a confronto con diversi modelli di immagini ospitati sugli stessi prompt è il tipo di lavoro per cui è fatto un singolo endpoint con failover automatico e prezzi di listino dei provider passati invariati: una sola chiave invece di quattro integrazioni, e un'esecuzione che arriva a termine anche quando un provider ha un'ora storta. GPT Image 2 e i modelli di immagini di Google sono su quell'endpoint; MOSS-Image no.

Scegliere tra una versione di valutazione distribuita e un prodotto distribuito

Scegli MOSS-Image se la cosa specifica di cui hai bisogno è un controllo strutturato su dove viene posizionato il testo e su quanto è lungo. Il JSON di layout specifica esplicitamente la stringa e la posizione di ogni elemento testuale, Apache 2.0 rende breve la revisione commerciale, e il checkpoint Base è stato deliberatamente lasciato non distillato — la model card dice che non sono stati applicati post-training né distillazione dei parametri di inferenza come CFG — il che è una scelta deliberata per lasciare qualcosa su cui far lavorare il training LoRA. Procedi sapendo che entrambi i benchmark che portano il suo nome sono del fornitore stesso, che il valore più forte di layout end-to-end proviene da una pipeline la cui metà di specificazione del prompt è un modello di terze parti anziché un piccolo modulo OpenMOSS, e che l'encoder domina il download.

Scegli H​Y-Image 3.5 se ti serve un endpoint richiamabile questa settimana, se i tuoi asset sono in lingua cinese, o se preferisci acquistare un modello con un posizionamento indipendente nell'editing piuttosto che uno con un benchmark del fornitore. Procedi sapendo che l'identificatore è una designazione di anteprima senza una sostituzione datata, che l'affermazione sul testo è una frase e non un punteggio, e che l'unica cosa misurata in modo indipendente sul modello è una media di preferenza cieca che non dice nulla sul fatto che la parte non toccata della tua inquadratura sia rimasta intatta.

Il divario che cambierebbe di più le cose non è un nuovo modello. È un secondo soggetto che esegue LongLongTextBench su qualcosa che non sia M​OSS-Image, oppure T​encent che pubblica un punteggio di rendering del testo per l'anteprima. Nessuno dei due esiste, e finché non ne esisterà uno, la versione pratica di questo confronto è un download contrapposto a una chiamata API e un pomeriggio speso sulle proprie stringhe — il che è un uso migliore del tempo che leggere la tabella di uno dei due fornitori.

I fallimenti documentati dell'IA e gli incidenti degli agenti dietro release come questa sono raccolti nell'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.