MOSS-Image vs HY-Image 3.5：どちらもレンダリングされたテキストを売りにしているが、テストを見せているのは一方だけ

どちらのベンダーに、自社の画像モデルが実際に何のためのものかを尋ねても、同じ答えが返ってくる。M​OSS-Imageは、OpenMOSSが2026年10月16日にApache 2.0のチェックポイントとして公開したM​OSS-Image-BaseおよびM​OSS-Image-SFTからなり、テキストレンダリングとレイアウトを前面に押し出しています。H​Y-Image 3.5は、TencentのHunyuanシリーズにおける現行画像モデルで、画像内にレンダリングされるテキストの精度向上——中国語でも英語でも——を前面に押し出しています。5,000マイル離れた2社のベンダーが同じ能力を宣伝材料に選んでいるということは、このカテゴリの本当の失敗モードがここ2年間どこにあったかをよく示すシグナルです。

しかし、その2つの主張はまったく異なる装いで提示されている。一方にはベンチマークと数値が付いており、もう一方には一文が付いている。この非対称性——この2つにまたがって誰も測定していない画質ではなく——が比較のすべてであり、注意深く検討する価値がある。なぜなら、存在する数値は当のベンダー自身のものであり、数値が付かないほうの一文は、より長い歴史を持つベンダーのものだからだ。

それぞれの側で「テキストレンダリング」が意味するもの

Tencentの主張は、2つの文字体系にわたる正確性についての主張だ。HY-Image 3.5は、画像内に描かれるテキストの精度を高めると記されており、資料はこれが中国語と英語を対象としていることを明示している。それは、聞こえよりも狭く、より実用的な主張だ。中国語は、西洋の画像モデルが最も苦手とする文字体系である——グリフ密度はより高く、文字の在庫は数十ではなく数千に及び、もっともらしいラテン文字の字形を描き出せるモデルでも、完全にでっち上げの漢字を、校正者が気づくまで誰にも気づかれないまま描き出せてしまう。母国市場で中国語が書かれているベンダーが、まずそこを攻めようとする理由は明白であり、Tencentはそう明言している。

OpenMOSSの主張は、文字体系のカバレッジではなく、長さに関するものだ。M​OSS-Imageの目玉デモは段落だ。平均目標長約1,340文字の文学テキストを、画像全体にわたって判読可能な状態で保持している。それは、中国語の4文字を正しくレンダリングすることとは別の問題だ。ワードマークをレンダリングすることと、ページをレンダリングすることの違いなのだ。

• ベンダーが前面に押し出しているもの — MOSS-Image：レイアウトを制御機構として用いた長文テキストのレンダリング。HY-Image 3.5：中国語と英語におけるテキスト精度、および繰り返し編集を通じた被写体の一貫性。

• インターフェースが提供するもの — MOSS-Image: summary ブロックと items 配列を含む JSON プロンプト。各テキスト要素はバウンディングボックスと、レンダリングするリテラル文字列を持ちます。HY-Image 3.5: 自然言語プロンプトに加え、編集の方向性を示す参照画像。要素ごとの文字列フィールドは文書化されていません。

• 出力の上限はどこまでか — M​OSS-Image：576、次いで3,072、さらに8,192トークンと3つの解像度にわたって学習され、最終段階はおよそ1024²。H​Y-Image 3.5：T​encent自身の言葉を借りれば、最大2Kまで。

• 重みを規定するもの — M​OSS-Image: Apache 2.0、収益しきい値なし。H​Y-Image 3.5: 公開されているものはなし。チェックポイントなし、ローカルライセンスなし、オフライン経路なし。

• 支払額 — M​OSS-Image：ライセンス料は無料。H​Y-Image 3.5：国際エンドポイントでは2K画像1枚につき$0.024、国内では¥0.15、課金対象は納品された出力画像のみ。

その4番目の箇条書きは、それだけで一文を割く価値があります。なぜなら、それはこの比較について今日実際に行動に移せる唯一の点だからです。テキストレンダリングがこれらのモデルを選ぶ理由なのであれば、自分のマシン上でその挙動を調べられるのは、そのうちの一方だけです。MOSS-Image を自分のコピーでテストするには、27.2 GB をダウンロードして実行する必要があります。一方、HY-Image 3.5 をテストするには、Tencent にプロンプトを送信し、返ってくるものを見る必要があります。

この比較におけるただ一つの数字と、その価値

MOSS-Imageにはベンチマークがある。LongLongTextBenchは240件の文学テキスト描画タスク——英語120件、中国語120件——で、平均目標長は1,339.8文字だ。OpenMOSSはMOSS-ImageのMean-6テキストカバレッジを96.3と評価しており、Qwen-Image-2512の64.9と対照をなす。同じ表ではGPT Image 2が99.0、Nano Banana Proが96.6に位置づけられており、これには二度言及する価値がある。すなわち、競合他社が勝っている表であり、そしてMOSS-Imageが打ち負かすモデルに対する差が、前方にいるモデルに対する不足分よりも大きい表なのだ。

では、注意点を挙げよう。これは決して小さな話ではない。LongLongTextBenchはOpenMOSS自身のベンチマークであり、今回のリリースのために作られ、OpenMOSSによって、OpenMOSS自身のシステム上で実行された。Mean-6 text coverageはOpenMOSS独自の指標だ。研究所の外でこれを再現した者は誰もいない。これはこのカテゴリで長文テキストを測定しようと試みる初のベンダー数値であり、また、何か見せたいものがあるときにベンダーが作り出す、まさにその種の数値でもある。

H​Y-Image 3.5には、ここでは数値が一切ない。公表されたものでも、独立系のものでもない——この2つのモデルのどちらについても、テキストレンダリングを評価したベンチマークは存在せず、T​encentのモデルを実際に掲載している独立系ベンチマークも、テキストには取り組んでいない。つまり、両ベンダーがそろって最初に掲げることを選んだテキストという問いは、この比較が双方からの証拠をもって答えることのできない唯一の問いなのである。一方のベンダーはテストを公表した。もう一方は主張を公表した。それが現状であり、この軸でH​Y-Image 3.5の隣に数値を置く記事は、その数値を捏造している。

独立した証拠が実際に存在し、それが比較の半分にすぎない場合には

Tencentのモデルは、Artificial Analysisのボード上でHunyuanImage 3.5 (Preview) という名称で掲載されています。これはそれ自体が有用です。なぜなら、その命名を裏付けるからです。つまり、プレビューというラベルはモデルの現状を示すものであり、過去のものではありません。出回っている識別子はhy-image-v3.5-previewで、それに並ぶ第2の安定した識別子は存在しません。テキストから画像へのボードでは、976.02 Eloで中位に位置しています。画像編集のボードでは、5,775件のブラインド比較で1,088 Eloを記録し、上位5分の1に入っています。そこでのトップはOpenAIのGPT Image 2.5 SunburstとFlareで、それぞれ1,198と1,177です。したがってTencentはフロンティアの約110 Elo下、信頼区間はおよそ±14の位置にあります。

この対決で興味深いのはその編集部門の順位だが、順位のためではない。それは、Tencentが実際に宣伝している能力を部分的にカバーするボードだ。被写体を何度編集してもドリフトしないことは、Tencentの「テキストと一貫性」という売り込みの後半部分であり、編集Eloで上位5分の1に入ることは、少なくとも大まかにはその一貫性の主張と整合する。これはテキストの測定ではなく、シーケンス全体にわたるドリフトの測定でもないが、独立している。それだけでも、MOSS-Image側にあるどんなものよりも価値がある。

MOSS-Imageはそれらのボードには載っていない。公開からまだ1日しか経っていない。その2番目のベンチマークであるRealLayoutArenaは、盲検のペアワイズ比較で判定されBradley–Terryスケールに適合された61のデザインタスク——ポスター20、インフォグラフィック20、インターフェース21——であり、これもリリースに同梱され、同じくベンダーによって構築された。エンドツーエンドのアリーナでは、MOSS-Imageは1698.70 Eloを記録し、GPT Image 2の1844.35に次ぐ2位。共有された拡張プロンプトの下でバックボーンのみに限定すると、1807.34で1位となる。同じリリース、同じ主体、同じ但し書き。

中国語、そこが二つの主張の実際の接点だ

ここに、どちらのベンダーも指摘しない、そしてどちらのベンチマークの行よりも重要な、構造上の違いがある。

OpenMOSSは意図的に均衡を取ったバイリンガルテキストベンチマークを構築した。英語タスク120件、中国語タスク120件という均等な配分である。これは設計上の選択であり、モデルが英語を主とし中国語をボーナスとするのではなく、バイリンガル製品として評価されたことを示している。MOSS-Imageの学習コーパスは、ReLAION由来のデータから約50億サンプルを追加のフィルタリングなしで30億に削減したものであり、レイアウト形式のitems配列はtext、characterまたはobject — 意図的に文字体系に依存しない読み方ができる分類体系である。

Tencentの立場は鏡像だ。中国語がホーム市場であり、製品資料はこのモデルが高い中国語理解力を提供すると説明している。国際向けエンドポイントは国内向けの背後にある第二の窓口で、別途料金が設定されている。Tencentは英語と中国語のバランスの取れたベンチマークを構築する必要がなかった。中国語は決してリスクではなかったからだ。同社が行っていないのは、英語側がどのような性能を発揮するかを公表することだ。

では、中国語の素材を出荷するチームは、片側に中国語優先の製品と公表できない英語の数値を持つベンダーを、もう片側に意図的に均衡をとったバイリンガル評価と中国市場での実績を持たないベンダーを抱えていることになる。二種類の異なる確信であり、どちらも相手の市場には持ち込めない。決着をつける唯一の方法は、自分のコピーで直接対決させることだけで、この二つのモデルのうち、それができるのは片方だけだ。実際に出荷している中国語の文字列——製品名、法的な定型文、漢字のような、でっち上げやすいもの——を MOSS-Image-SFT にローカルで通し、同じ文字列をhy-image-v3.5-previewに API 経由でぶつけてみてほしい。その実験は半日で済み、両ベンダーの資料を合わせたよりも多くのことを決着させる。

コスト、アクセス、そしてルートの疑問

コストの比較は一方に偏り、アクセスの比較はもう一方に偏っている。だからこそ、判断が請求書だけで決まることはほとんどない。

H​Y-Image 3.5は、国際価格では2K画像1枚あたり$0.024——1,000枚あたり$24で、これは独立系ボードに掲載されている1,000枚あたりの同じ数値を言い換えたものであり、したがってベンダーの料率とボードの価格列は一致している。国内では2K画像1枚あたり¥0.15で、課金は納品された出力画像のみを対象とするため、フィルタリングされたリクエストや失敗したリクエストには課金されない。月10万枚なら$2,400で、課金されない障害モードが文書化されている。

MOSS-Imageに料金表はありません。ライセンスはApache 2.0で、ダウンロードサイズは約27.2 GBです。そのうち4つのシャードにまたがる約16.8 GBが凍結されたQwen3.5-9Bテキストエンコーダーで、約10.2 GBが3つのシャードにまたがるtransformerです。5Bという表記は拡散生成器のみを指し、エンコーダーはダウンロードの大きい方の半分を占めます。サンプリングのデフォルトはflow-matching Eulerで50ステップ、CFG 3.0、shift 5.0です。デフォルトのガイダンス経路では1ステップにつきtransformerの順伝播が2回必要なので、ステップ数は見た目ほど安上がりな設定ではありません。あなたの10万枚の画像にはGPU時間のコストがかかるだけで、それ以外は何もかかりません。

これら2つのルートが収束する点は、どちらもルーティングの問題ではないということだ。M​OSS-ImageはOrcaRouterのカタログにはない — 当社は200以上のモデルを提供しており、それはそのうちの1つではない — したがって、この比較の重みの部分はあなた自身のインフラストラクチャである。H​Y-Image 3.5もそこにはなく、その文書化されたルートはT​encent自身のAPIまたはT​encent自身の製品である。T​encentにはチェックポイントも、ローカルライセンスも、オフライン経路もなく、それ向けに存在するComfyUIノードは、その背後で実行されるのではなくAPIを呼び出す。両者を正直に説明するなら、一般的な表現になる。すなわち、ベンダー自身のAPI経由で、そしてT​encentの場合は同社のファーストパーティツール経由である。

ここでルーターが実際に役立つのは3つ目の事柄、つまり上記の実験です。MOSS-Image のローカルテキストレンダリングが、リーダーボードではなくホスト型モデルと比べてどれほどのものかを試したいなら、比較が効いてくるのはホスト型の側であり、同一のプロンプトでセルフホストのチェックポイントを複数のホスト型画像モデルと突き合わせるのは、自動フェイルオーバーとプロバイダーの定価をそのまま通す単一のエンドポイントがまさにうってつけの仕事です。4つ分の連携ではなく1つのキーで済み、あるプロバイダーが不調な時間帯があっても実行は完了します。GPT Image 2 と Google の画像モデルはそのエンドポイントにありますが、MOSS-Image はありません。

出荷済みの評価版と出荷済みの製品版のどちらを選ぶか

テキストがどこに配置され、どれだけの長さで続くかを構造的に制御したい、というのがまさに必要なことなら、MOSS-Image を選ぼう。レイアウト JSON は各テキスト要素の文字列と位置を明示的に指定し、Apache 2.0 は商用レビューを短くしてくれ、Base チェックポイントは意図的に蒸留されずに残されている — モデルカードには、CFG などの推論パラメータに対する事後学習や蒸留は適用されていないと書かれている — これは LoRA トレーニングが取り組む余地を残すための意図的な選択だ。その名前を冠するベンチマークが両方ともベンダー自身のものであること、最強のエンドツーエンドのレイアウト指標は、プロンプト指定を担う半分が小規模な OpenMOSS モジュールではなくサードパーティ製モデルであるパイプラインから得られていること、そしてダウンロードの大部分をエンコーダが占めていることを、承知のうえで臨んでほしい。

今週中に呼び出し可能なエンドポイントが必要なら、アセットが中国語であれば、あるいはベンダーのベンチマークがあるモデルよりも、独立した編集評価での位置づけがあるモデルを買いたいなら、H​Y-Image 3.5 を選べ。承知の上で臨め：この識別子は日付付きの後継がないプレビュー呼称であり、テキストの主張はスコアではなく一文であり、このモデルについて独立に測定されている唯一のものは、フレームの手を付けていない部分が手つかずのままだったかどうかについては何も語らないブラインド選好平均だ。

この比較を最も大きく変える欠けた要素は、新しいモデルではない。それは、MOSS-Image 以外の何かで LongLongTextBench を実行する第三者か、Tencent がプレビュー向けのテキストレンダリングスコアを公開することだ。どちらも存在せず、どちらかが実現するまでは、この比較の実用的な形は、ダウンロード対 API 呼び出しと、自分の文字列に費やす午後1回分である——それは、どちらのベンダーの表を読むよりも、時間の有効な使い方だ。

このようなリリースの背景にある、文書化されたAI障害やエージェントのインシデントは、OrcaRouter AI Incident Archiveに収集されており、各エントリには独自の情報源、重大度、信頼度グレード、異議申し立てフラグが付いています。