MOSS-Image vs HY-Image 3.5: Oba sprzedają ci wyrenderowany tekst, a tylko jeden pokazuje ci test.

Zapytaj któregokolwiek z dostawców, do czego właściwie służy ich model obrazu, a otrzymasz tę samą odpowiedź. M​OSS-Image, wydany przez OpenMOSS 16 października 2026 r. jako punkty kontrolne na licencji Apache 2.0 M​OSS-Image-Base i M​OSS-Image-SFT, wyróżnia się renderowaniem tekstu i układem. H​Y-Image 3.5, obecny model obrazu Tencentu w linii H​unyuan, wyróżnia się poprawioną dokładnością tekstu renderowanego wewnątrz obrazu — zarówno po chińsku, jak i po angielsku. Dwóch dostawców, pięć tysięcy mil od siebie, wybiera tę samą umiejętność do reklamowania, co jest niezłym sygnałem, gdzie przez ostatnie dwa lata tkwił prawdziwy słaby punkt tej kategorii.

Te dwie tezy pojawiają się jednak w zupełnie innym opakowaniu. Jedna z nich przychodzi z benchmarkiem i liczbą. Druga przychodzi ze zdaniem. Ta asymetria — a nie jakość obrazu, której nikt nie zmierzył w przypadku tych dwóch — to całe porównanie i warto je starannie przeanalizować, ponieważ liczba, która istnieje, pochodzi od samego dostawcy, a zdanie, którego nie ma, pochodzi od dostawcy z dłuższą historią.

Co oznacza „text rendering" po każdej stronie

Twierdzenie Tencentu to twierdzenie o poprawności w obrębie dwóch systemów pisma. H​Y-Image 3.5 jest opisany jako poprawiający dokładność tekstu rysowanego wewnątrz obrazu, a materiały wyraźnie wskazują, że obejmuje to chiński i angielski. To twierdzenie węższe i bardziej praktyczne, niż brzmi. Chiński to system pisma, z którym zachodnie modele obrazowe radzą sobie najgorzej — gęstość glifów jest większa, zestaw znaków liczy tysiące, a nie kilkadziesiąt, a model, który renderuje wiarygodnie wyglądające formy liter łacińskich, potrafi wygenerować całkowicie wymyślone hanzi, zanim ktokolwiek to zauważy — aż zrobi to korektor. Dostawca, którego rodzimy rynek pisze po chińsku, ma oczywisty powód, by zaatakować to w pierwszej kolejności, i T​encent powiedział to wprost.

Twierdzenie OpenMOSS dotyczy długości, a nie pokrycia pisma. Flagowa demonstracja M​OSS-Image to akapity — tekst literacki o średniej długości docelowej około 1340 znaków, utrzymywany czytelnie na całym obrazie. To inny problem niż poprawne odwzorowanie czterech chińskich znaków. To różnica między renderowaniem znaku słownego a renderowaniem strony.

• Co dostawca wysuwa na pierwszy plan — MOSS-Image: renderowanie długich tekstów, z układem jako mechanizmem sterującym. HY-Image 3.5: dokładność tekstu w języku chińskim i angielskim, ze spójnością obiektu przy powtarzanych edycjach.

• Co daje interfejs — MOSS-Image: prompt JSON z summary i tablicą items, gdzie każdy element tekstowy zawiera pole ograniczające (bounding box) oraz dosłowny ciąg znaków do wyrenderowania. HY-Image 3.5: prompt w języku naturalnym, a także obrazy referencyjne wskazujące kierunek edycji. Brak udokumentowanego pola tekstowego dla poszczególnych elementów.

• Jaki jest górny limit wyjściowy — MOSS-Image: trenowany najpierw na 576, potem na 3072, a następnie na 8192 tokenach w trzech rozdzielczościach, z ostatnim etapem na poziomie około 1024². HY-Image 3.5: do 2K, według samego Tencenta.

• Co reguluje wagi — M​OSS-Image: Apache 2.0, brak progu przychodów. H​Y-Image 3.5: nic nie opublikowano. Brak checkpointu, brak lokalnej licencji, brak ścieżki offline.

• Ile płacisz — M​OSS-Image: nic za licencję. H​Y-Image 3.5: 0,024 USD za obraz 2K w międzynarodowym punkcie końcowym, 0,15 CNY w kraju, opłata naliczana wyłącznie za dostarczone obrazy wyjściowe.

Ten czwarty punkt zasługuje na osobne zdanie, ponieważ jest to jedyna rzecz w tym porównaniu, którą możesz wykorzystać już dziś. Jeśli renderowanie tekstu jest powodem, dla którego wybierasz między tymi modelami, możesz sprawdzić zachowanie tylko jednego z nich na własnym komputerze. Testowanie M​OSS-Image na własnej kopii oznacza pobranie 27,2 GB i uruchomienie go; testowanie H​Y-Image 3.5 oznacza wysyłanie promptów do T​encent i sprawdzanie, co zostanie zwrócone.

Ta jedna liczba w tym porównaniu i ile jest warta

M​OSS-Image ma benchmark. LongLongTextBench to 240 zadań renderowania tekstu literackiego — 120 angielskich, 120 chińskich — przy średniej docelowej długości wynoszącej 1 339,8 znaków, a OpenMOSS ocenia M​OSS-Image na 96,3 pod względem pokrycia tekstu Mean-6 w porównaniu z 64,9 dla Q​wen-Image-2512. W tej samej tabeli GPT Image 2 plasuje się na 99,0, a N​ano Banana Pro na 96,6, co zasługuje na podwójną uwagę: to tabela, w której wygrywa konkurent, oraz tabela, w której przewaga M​OSS-Image nad modelem, który pokonuje, jest większa niż jego strata do modeli wyprzedzających go.

Teraz zastrzeżenia, i to niemałe. LongLongTextBench to własny benchmark OpenMOSS, stworzony na potrzeby tego wydania, uruchomiony przez OpenMOSS, na systemie samego OpenMOSS. Mean-6 text coverage to własna metryka OpenMOSS. Nikt spoza laboratorium nie odtworzył żadnego z tych wyników. To pierwszy wynik dostawcy w tej kategorii, który w ogóle próbuje mierzyć długi tekst, a jednocześnie jest dokładnie tym rodzajem wyniku, jaki dostawca tworzy, gdy ma coś do pokazania.

H​Y-Image 3.5 nie ma tu w ogóle żadnej liczby. Ani opublikowanej, ani niezależnej — żadna tablica wyników nie ocenia żadnego z tych dwóch modeli pod kątem renderowania tekstu, a niezależne tablice wyników, które faktycznie obejmują model T​encenta, nie próbują oceniać tekstu. Zatem kwestia tekstu, czyli to, od czego obaj dostawcy postanowili zacząć, jest jedyną kwestią, na którą to porównanie nie może odpowiedzieć dowodami od obu stron. Jeden dostawca opublikował test. Drugi opublikował twierdzenie. Taki jest stan rzeczy, a każdy tekst, który stawia jakąś liczbę obok H​Y-Image 3.5 na tej osi, wymyślił ją.

Tam, gdzie niezależne dowody rzeczywiście istnieją, a to jest tylko połowa porównania

Model Tencenta widnieje na tablicach Artificial Analysis pod oznaczeniem HunyuanImage 3.5 (Preview), co samo w sobie jest przydatne, ponieważ potwierdza nazewnictwo: etykieta „preview” odzwierciedla obecny stan modelu, a nie historyczny. Identyfikatorem w obiegu jest hy-image-v3.5-preview, a obok niego nie występuje żaden drugi, stabilny identyfikator. Na tablicy tekst-na-obraz plasuje się w środku stawki z wynikiem 976,02 Elo. Na tablicy edycji obrazu trafia do najlepszej jednej piątej stawki, z 1088 Elo w 5 775 ślepych porównaniach — prowadzą tam GPT Image 2.5 Sunburst i Flare od OpenAI z wynikami 1198 i 1177, więc Tencent plasuje się około 110 Elo poniżej czołówki, przy przedziałach wynoszących mniej więcej ±14.

To miejsce w rankingu edycji jest interesujące w tym zestawieniu i nie chodzi o samą pozycję. To ranking, który częściowo obejmuje zdolność, którą Tencent faktycznie reklamuje. Wielokrotna edycja obiektu bez jego dryfowania to druga połowa obietnicy Tencenta dotyczącej tekstu i spójności, a Elo edycji w najlepszych 20% jest co najmniej luźno zgodne z twierdzeniem o spójności. To nie jest pomiar tekstu ani pomiar dryfu w obrębie sekwencji, ale jest niezależny, co jest czymś więcej, niż ma do zaoferowania cokolwiek po stronie MOSS-Image.

MOSS-Image nie znajduje się w tych rankingach. Ma jeden dzień. Jego drugi benchmark, RealLayoutArena, to 61 zadań projektowych ocenianych w ślepym porównaniu parami i dopasowanych do skali Bradleya–Terry'ego — 20 plakatów, 20 infografik, 21 interfejsów — a także jest dostarczany wraz z wydaniem i został również zbudowany przez dostawcę. W arenie end-to-end MOSS-Image uzyskuje 1698,70 Elo, drugie miejsce za GPT Image 2 z wynikiem 1844,35; ograniczony do samego backbone'u przy wspólnych rozszerzonych promptach, zajmuje pierwsze miejsce z wynikiem 1807,34. To samo wydanie, ta sama strona, to samo zastrzeżenie.

Chiński, w którym te dwa twierdzenia faktycznie się spotykają

Oto różnica strukturalna, której nie wskaże żaden z dostawców i która ma większe znaczenie niż którykolwiek z dwóch wierszy benchmarku.

OpenMOSS zbudował celowo zrównoważony dwujęzyczny benchmark tekstowy — 120 zadań w języku angielskim i 120 zadań w języku chińskim, czyli równy podział. To świadoma decyzja projektowa, która mówi, że model oceniano jako produkt dwujęzyczny, a nie jako produkt angielskojęzyczny z chińskim jako dodatkiem. Korpus treningowy MOSS-Image powstał z danych pochodzących z ReLAION, okrojonych z około 5 mld próbek do 3 mld bez dalszego filtrowania, a tablica items w formacie układu przyjmuje etykietę text, character lub object — taksonomia, która celowo sprawia wrażenie niezależnej od systemu pisma.

Pozycja Tencentu jest lustrzanym odbiciem. Chiński jest rynkiem macierzystym; materiały produktowe opisują model jako oferujący silne rozumienie chińskiego; międzynarodowy endpoint to drugi kanał za krajowym, wyceniany osobno. Tencent nie musiał budować zrównoważonego benchmarku angielsko-chińskiego, ponieważ chiński nigdy nie stanowił ryzyka. Nie zrobił natomiast jednego: nie opublikował, jak radzi sobie angielska połowa.

Zespół wdrażający chińskojęzyczne materiały ma z jednej strony dostawcę z produktem nastawionym na Chiny i niepublikowalnym angielskim wynikiem, a z drugiej dostawcę z celowo zrównoważoną dwujęzyczną oceną i bez dorobku na rynku chińskim. Dwa różne rodzaje pewności, a żaden z nich nie przekłada się na rynek tego drugiego. Jedynym sposobem, aby to rozstrzygnąć, jest bezpośrednie starcie na własnych tekstach, a tylko jeden z tych dwóch modeli na to pozwala. Przepuść chińskie ciągi, które faktycznie wdrażasz — nazwy produktów, zapisy prawne, znaki hanzi, które łatwo wymyślić — lokalnie przez M​OSS-Image-SFT, i skonfrontuj te same ciągi z hy-image-v3.5-preview przez API. Ten eksperyment zajmuje popołudnie i rozstrzyga więcej niż materiał obu dostawców razem wzięty.

Koszt, dostęp i kwestia trasy

Porównanie kosztów przechyla się w jedną stronę, a porównanie dostępu przechyla się w drugą, dlatego decyzja rzadko sprowadza się do faktury.

H​Y-Image 3.5 kosztuje 0,024 USD za obraz 2K na rynku międzynarodowym — 24 USD za 1000, co jest tą samą wartością wyrażoną na tysiąc, która pojawia się na niezależnej tablicy, więc stawka dostawcy i kolumna cenowa tablicy są zgodne. Na rynku krajowym jest to 0,15 ¥ za obraz 2K, a rozliczenie następuje wyłącznie za dostarczone obrazy wyjściowe, więc odfiltrowane lub nieudane żądanie nie jest obciążane opłatą. Przy stu tysiącach obrazów miesięcznie daje to 2400 USD, z udokumentowanym trybem awarii, który nie nalicza opłat.

MOSS-Image nie ma cennika. Licencja to Apache 2.0, a pobranie zajmuje około 27,2 GB, z czego mniej więcej 16,8 GB w czterech shardach to zamrożony enkoder tekstowy Qwen3.5-9B, a około 10,2 GB w trzech to transformer. Oznaczenie 5B dotyczy wyłącznie generatora dyfuzyjnego, a enkoder stanowi większą połowę pobrania. Domyślne ustawienia próbkowania to flow-matching Euler z 50 krokami, CFG 3.0 i shift 5.0; domyślna ścieżka guidance wymaga dwóch przejść w przód przez transformer na krok, więc liczba kroków nie jest tak tanim ustawieniem, jak się wydaje. Twoje sto tysięcy obrazów kosztuje tyle, ile kosztuje czas twojego GPU — i nic więcej.

To, co łączy te dwie ścieżki, to fakt, że żadna z nich nie jest problemem routingu. M​OSS-Image nie znajduje się w katalogu OrcaRouter — obsługujemy ponad 200 modeli i nie ma go wśród nich — więc część tego porównania dotycząca wag to twoja własna infrastruktura. H​Y-Image 3.5 również nie znajduje się w tym katalogu, a jego udokumentowana ścieżka to własne API T​encent albo własne produkty T​encent; T​encent nie ma checkpointu, lokalnej licencji ani ścieżki offline, a istniejące dla niego węzły ComfyUI wywołują API, zamiast działać za nim. Uczciwy opis obu jest ogólny: przez własne API dostawcy, a w przypadku T​encent — jego narzędzia własne.

To, do czego router jest tu faktycznie przydatny, to trzecia rzecz, czyli eksperyment powyżej. Jeśli chcesz sprawdzić, jak lokalne renderowanie tekstu przez MOSS-Image wypada na tle modeli hostowanych, a nie na tle rankingu, to właśnie po stronie hostowanej porównanie jest najbardziej wymagające, a zestawienie hostowanego lokalnie checkpointa z kilkoma hostowanymi modelami obrazów na identycznych promptach to zadanie, do którego pojedynczy endpoint z automatycznym przełączaniem awaryjnym i cenami listowymi dostawców przekazywanymi bez zmian jest stworzony: jeden klucz zamiast czterech integracji i przebieg, który kończy się nawet wtedy, gdy jeden dostawca ma słabszy moment. GPT Image 2 i modele obrazu Google'a są na tym endpoincie; MOSS-Image nie.

Wybór między wydaną wersją ewaluacyjną a wydanym produktem

Wybierz M​OSS-Image, jeśli konkretnie potrzebujesz ustrukturyzowanej kontroli nad tym, gdzie trafia tekst i jak długo przebiega. JSON układu jawnie podaje ciąg znaków i pozycję każdego elementu tekstowego, Apache 2.0 sprawia, że przegląd komercyjny jest krótki, a checkpoint Base celowo pozostawiono bez destylacji — karta modelu mówi, że nie zastosowano post-trainingu ani destylacji parametrów wnioskowania, takich jak CFG — co jest świadomą decyzją, by zostawić coś, nad czym trening LoRA może popracować. Podchodząc do tego, miej świadomość, że oba benchmarki noszące jego nazwę są własnymi benchmarkami dostawcy, że najsilniejszy wynik end-to-end dla układu pochodzi z pipeline'u, którego połowa odpowiedzialna za specyfikację promptu to model zewnętrzny, a nie mały moduł OpenMOSS, oraz że enkoder dominuje pod względem rozmiaru pobierania.

Wybierz H​Y-Image 3.5, jeśli w tym tygodniu potrzebujesz wywoływalnego endpointu, jeśli Twoje zasoby są w języku chińskim albo jeśli wolisz kupić model z niezależną pozycją w rankingu edycji niż taki z benchmarkiem dostawcy. Przystępując do tego, wiedz, że identyfikator to oznaczenie wersji zapoznawczej bez datowanej wersji zastępczej, że twierdzenie tekstowe to zdanie, a nie wynik, oraz że jedyną niezależnie zmierzoną rzeczą w tym modelu jest średnia preferencji z testu z zaślepieniem, która nie mówi nic o tym, czy nietknięta część Twojej klatki pozostała nietknięta.

Luka, która najbardziej by to zmieniła, to nie nowy model. To albo niezależny podmiot uruchamiający LongLongTextBench na czymś, co nie jest MOSS-Image, albo Tencent publikujący wynik renderowania tekstu dla wersji zapoznawczej. Żadne z nich nie istnieje, a dopóki jedno z nich nie powstanie, praktyczna wersja tego porównania to pobranie kontra wywołanie API i popołudnie spędzone na własnych tekstach — co jest lepszym wykorzystaniem czasu niż czytanie tabeli któregokolwiek z dostawców.

Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i znacznik sporności.