Hy Image3.5 vs LLaDA-Image: het endpoint huren of de gewichten bezitten

Er zijn in september 2026 twee manieren om een 2K-beeldmodel te kopen, en het zijn niet zozeer twee producten als wel twee verdienmodellen. Hy Image3.5 preview, live sinds 22 september 2026, is een endpoint met verbruiksmeter: $ 0,024 per afbeelding op de internationale tariefkaart van Tencent, ¥ 0,15 binnenlands, gefactureerd op basis van geleverde output, en je raakt nooit een GPU aan. LLaDA-Image, van de inclusionAI-groep voor open modellen en uitgebracht op 4 september 2026, is een downloadbaar checkpoint: een 7B-klasse familie voor uniforme generatie en bewerking onder een Apache-2.0-label, op Hugging Face, zonder een gehost endpoint eraan verbonden. Honderdduizend 2K-afbeeldingen per maand kosten ongeveer $ 2.400 op de eerste manier. De tweede manier kost niets per afbeelding en een bedrag dat je zelf moet uitrekenen, want de gewichten zijn gratis en de hardware niet.

Dat is de hele vergelijking, en bijna elke fout die erover wordt gemaakt, komt voort uit het vergelijken van de twee alsof de prijskolom het enige verschil was. Dat is niet zo. Een van deze kan onder je verouderd raken. Een van hen kan fijn afgesteld worden. Een van hen komt met de eigen benchmark van een leverancier en geen onafhankelijke score; de andere komt met een technisch rapport, een openbare repository en ongeveer duizend downloads.

Twee beweringen die aan LLaDA-Image zijn gekoppeld en die niet met zichzelf overeenkomen

Voordat de vergelijking iets waard is, moeten twee details op de LLaDA-Image-kaart worden gemarkeerd in plaats van opgelost, omdat beide echte tegenstrijdigheden in de publieke verslaglegging zijn en stilletjes een kant kiezen een grotere fout zou zijn dan dat te zeggen.

Het eerste is het aantal parameters. De eigen tekst van de modelkaart beschrijft "een competitieve open-sourcemodelfamilie met 6 miljard parameters voor uniforme beeldgeneratie en -bewerking." De zijbalk op diezelfde pagina vermeldt de Safetensors-modelgrootte als 7 miljard parameters in BF16. Beide getallen staan op dezelfde pagina, gepubliceerd door dezelfde organisatie, en niets in de kaart brengt ze met elkaar in overeenstemming. Behandel de klasse als "ruwweg zeven miljard parameters, met een getal van zes miljard in de beschrijving" en citeer geen van beide als vaststaand. Iedereen die je het exacte aantal vertelt, gokt op basis van dezelfde kaart die jij kunt lezen.

Het tweede is de licentie. De kaart vermeldt Licentie: apache-2.0 vandaag. Onze eigen eerdere berichtgeving over deze familie zei dat geen van de uitgebrachte kaarten een licentietag had en dat er geen LICENSE-bestand in de repository stond. Beide beweringen kunnen op verschillende momenten waar zijn — een tag kan worden toegevoegd — maar we gaan niet doen alsof ze altijd hetzelfde waren, en een licentie die na de release verscheen is een wezenlijk ander feit dan een licentie die met de gewichten werd meegeleverd. Als de licentie cruciaal is voor jouw gebruiksscenario, controleer dan zelf de repository op het moment dat je downloadt, en controleer of de trainingscode, die volgens de kaart binnenkort komt, onder dezelfde voorwaarden beschikbaar komt.

Wat de twee architecturen eigenlijk verkopen

LLaDA-Image is geen diffusiemodel in de gebruikelijke zin, en dat is juist het interessante eraan. Het combineert een diffusietransformer met een bevroren visie-taalmodel — LLaDA2.0-mini — en een RQA-connector daartussen, en het wordt uitgebracht als een familie in plaats van als één checkpoint: Base met 50 stappen voor kwaliteit, Turbo met twee tot vier stappen voor doorvoer, elk in BF16 en FP8. Dat zijn vier checkpoints, en de stapaantallen zijn de reden dat een self-hosted deployment überhaupt binnen een budget kan werken: een 7B-model met 50 stappen is een andere hardwarevereiste dan een met 2 tot 4 stappen. Het technisch rapport is openbaar en het trainingsrecept wordt beschreven als volledig open, wat een sterkere transparantieclaim is dan de meeste open-weightreleases maken.

Hy Image3.5 preview is met opzet de tegenovergestelde vorm. Het is één endpoint met één gedrag: tekst-naar-afbeelding en afbeelding-naar-afbeelding in dezelfde aanroep, bewerken over meerdere beurten waarbij eerdere beurten als context worden meegenomen, tot vijf referentieafbeeldingen per verzoek, een uitvoerplafond van 2K, en de identifier hy-image-v3.5-preview. Er is niets te kiezen, niets af te stellen en niets te downloaden. De set mogelijkheden is standaard al breder — conversationeel bewerken over meerdere beurten met behouden context is een echte functie die de open familie niet adverteert — en je hebt over niets daarvan controle.

• Kostenbasis — Hy Image3.5 preview kost $0,024 per 2K-afbeelding, afgerekend op basis van de geleverde output; LLaDA-Image heeft gratis gewichten plus wat het draaien op jouw GPU ook kost.

Wat je krijgt — Hy Image3.5 preview is een gehoste API met multi-turn bewerken en vijf referentieafbeeldingen; LLaDA-Image is vier checkpoints (Base en Turbo, BF16 en FP8) en een trainingsrecept.

• Stappen naar een afbeelding — Hy Image3.5 preview is één enkele aanroep zonder blootgestelde step-parameter; LLaDA-Image is 50 stappen op Base of 2 tot 4 op Turbo, die je zelf instelt.

• Gewichten — Hy Image3.5 preview publiceert er geen; LLaDA-Image publiceert de volledige familie.

• Licentie — Hy Image3.5 preview is een commerciële dienst die onder de voorwaarden van Tencent valt; LLaDA-Image draagt een apache-2.0-label dat onze eigen eerdere berichtgeving niet zag.

• Bewijs — Hy Image3.5 preview heeft een door de leverancier uitgevoerde GSD-blindtest en geen onafhankelijke Elo; LLaDA-Image heeft een door de auteur gerapporteerd Qwen-Image-Bench-cijfer van 53,53 in het Engels en 53,38 in het Chinees, en ook geen onafhankelijke Elo.

De dingen die alleen één van deze kan doen

Begin met wat de gewichten je opleveren, want het is meer dan een licentievoorkeur. Een checkpoint is een bezit: het kan niet worden afgeschaft, opnieuw geprijsd, in snelheid beperkt of uitgeschakeld, en een pipeline die aan een specifiek bestand is vastgepind, draait over drie jaar nog steeds. Het kan worden fijnafgestemd op je eigen materiaal, wat voor een team met een huisstijl of een specifieke tekenset het verschil is tussen prompts geven aan andermans model en je eigen model trainen. Het draait offline, wat belangrijk is als het materiaal klantwerk onder een geheimhoudingsverplichting is. En de doorvoer is een functie van de hardware die je hebt gekocht, niet van een wachtrij waar je in bent komen te staan.

Daar staat tegenover dat een endpoint je een afwezigheid van werk oplevert. Niemand in je team leert een servingstack kennen, niemand bepaalt de grootte van een GPU, niemand ontdekt in productie dat het FP8-checkpoint een andere runtime nodig heeft dan het BF16-checkpoint, en niemand is de pineut als de job om 3 uur 's nachts mislukt. Het Tencent-model heeft ook een capaciteit die de open familie niet claimt: bewerking over meerdere beurten die het gesprek behoudt, precies het mechanisme achter het vasthouden van een personage gedurende een lange reeks bewerkingen. De bewerkingsondersteuning van LLaDA-Image is echt — het is een geünificeerde familie voor generatie en bewerking — maar gesprekstoestand over beurten heen is niet iets wat de kaart vermeldt.

De eerlijke manier om het te stellen is dat deze helemaal niet op kwaliteit concurreren. Ze concurreren erom wie het operationele risico draagt, en de twee antwoorden zijn "Tencent" en "jij".

Wat is er eigenlijk gemeten, aan beide zijden?

Geen van beide modellen heeft een onafhankelijke plaats. De text-to-image-ranglijst van Artificial Analysis, gelezen op 23 september 2026, bevat geen rij voor Hy Image3.5 preview en geen rij voor LLaDA-Image. Waar de ranglijst Tencent wél heeft, is dat de vorige generatie: HunyuanImage 3.0 Instruct op 964 Elo en HunyuanImage 3.0 op 945, gerangschikt als 65e en 70e van de 156 modellen — wat de enige meting door derden is van iets in deze familie, en het is een generatie oud.

Wat elke partij in plaats daarvan biedt, is haar eigen werk. Dat van Tencent is de GSD-stijl blinde voorkeurstest, uitgevoerd met enkele honderden professionele ontwerpers van het bedrijf zelf, met een rapportage van ongeveer dertig procent beter dan Hy Image3.0, gelijkwaardig aan Seedream 5.0 Pro, en een lichte voorsprong op Nano-Banana Pro en Qwen-Image-3.0-Pro. Door de leverancier uitgevoerd, door de leverancier ingevuld, de promptset niet gepubliceerd — een echte methode met een echt belangenconflict, en beide helften van die zin horen in dezelfde adem te worden genoemd.

De Qwen-Image-Bench-score van LLaDA-Image is 53,53 in het Engels en 53,38 in het Chinees, een door de auteurs gerapporteerd cijfer op een benchmark die de auteurs zelf hebben gekozen. Het is niet onafhankelijker dan de test van Tencent; het is op een andere manier niet-geauditeerd. De kaart vermeldt ook vijf community-Spaces en een maandelijks aantal downloads van ongeveer duizend, wat je vertelt dat de open familie echte maar bescheiden tractie heeft — het is geen model dat het veld al heeft overgenomen, en wie je iets anders vertelt, heeft het cijfer niet bekeken.

Waar het geld daadwerkelijk naartoe gaat, op grote schaal

Reken de huurkant eerlijk door, want alleen die kant heeft een gepubliceerd tarief. Honderdduizend 2K-afbeeldingen per maand tegen $0,024 is $2.400. Een half miljoen per maand is $12.000, of ongeveer $144.000 per jaar, en op die schaal houdt een zelfgehost 7B-klasse afbeeldingsmodel op een hobbyoptie te zijn en wordt het een voor de hand liggende kostenpost. Onder ongeveer tienduizend afbeeldingen per maand gaat die rekensom helemaal niet op: $240 tegenover de kosten van een GPU, de stroom, de opslag, de servingstack en iemands aandacht is geen twijfelgeval, en de endpoint met verbruiksmeting wint op elk vlak, ook op het vlak dat je niet meetelt.

Het omslagpunt is geen getal dat iemand je kan geven, omdat de zelfgehoste kant afhangt van hardware die je al bezit, de bezettingsgraad die je daadwerkelijk haalt, en of de GPU iets anders doet wanneer die geen afbeeldingen genereert. Wat wel precies gezegd kan worden, is de vorm van de curve: het verbruiksgebaseerde model is lineair in volume en het zelfgehoste model is een stapfunctie, dus de vraag is niet wat goedkoper is, maar waar jouw volume zich bevindt ten opzichte van de stap.

Eén eindpunt, welke kant je ook op gaat

OrcaRouter routeert geen van beide. We hosten geen Tencent-beeldmodel — de enige Tencent-vermeldingen in de catalogus zijn de uitsluitend tekstuele Hy3-lijn — en helemaal niets van inclusionAI, dus Hy Image3.5 preview betekent Tencents eigen cloud en de first-party Tencent-producten, en LLaDA-Image betekent de gepubliceerde gewichten en welke runtime je er ook op richt. Dat gewoon duidelijk zeggen is nuttiger dan een modelpagina die het ambigu laat.

Waar een routeringslaag in deze beslissing goed voor is, is de derde optie die hij goedkoop maakt. Als je $2.400 per maand afweegt tegen een GPU-aankoop, dan is het nuttige tussenstation te weten wat dezelfde workload kost bij modellen die je vandaag zonder contract kunt bereiken — openai/gpt-image-2, google/gemini-3.1-flash-image-preview, de Imagen 4-familie en grok/grok-imagine-image staan allemaal achter één OpenAI-compatibel endpoint tegen de adviesprijs van de provider met 0% opslag, dus een prijswijziging van een leverancier is bij ons dezelfde dag nog live, en automatische failover betekent dat een slechte middag van één provider niet jouw storing is. Dat is geen vervanging voor een van beide modellen in deze vergelijking. Het is wat voorkomt dat de vergelijking een tweezijdige keuze in het duister wordt.

De ene vraag die de doorslag geeft

Vraag je af of je workload een vorm heeft die de gewichten kunnen vastleggen en het endpoint niet. Als je genereert volgens een huisstijl, een vaste tekenset of het eigen materiaal van een klant, en je hebt het volume en de hardware om een model uit de 7B-klasse lonend te maken, dan is LLaDA-Image de duurzamere asset, en de Apache-2.0-tag — controleer die op het moment van downloaden, gezien de geschiedenis hierboven — is wat het bruikbaar maakt. Je koopt optionaliteit en betaalt daarvoor in de operatie.

Als je werklast met pieken komt, als niemand in het team een serving-stack wil beheren, als multi-turn bewerken met behouden context de functie is die je echt nodig hebt, of als je volume onder de tienduizend beelden per maand ligt, dan is $0,024 per geleverd 2K-beeld een goede prijs voor andermans probleem, en is het preview-label het belangrijkste om in het oog te houden. Het enige wat de moeite waard is om te doen vóór 7 oktober 2026 — terwijl Miora, WorkRally en OnSolo het gratis venster draaien — is je eigen promptset door het tencent-model halen en het acceptatiepercentage opschrijven, want dat getal, niet de dertig procent, is wat bepaalt of de metered kant zijn meter waard is.