MOSS-Image vs HY-Image 3.5: Ambos vendem texto renderizado, e apenas um mostra o teste

Pergunte a qualquer um dos fornecedores para que serve de fato seu modelo de imagem e você receberá a mesma resposta. M​OSS-Image, lançado pela OpenMOSS em 16 de outubro de 2026 como os checkpoints Apache 2.0 M​OSS-Image-Base e M​OSS-Image-SFT, tem como destaque a renderização de texto e o layout. H​Y-Image 3.5, o modelo de imagem atual da T​encent na linha H​unyuan, tem como destaque maior precisão no texto renderizado dentro da imagem — tanto em chinês quanto em inglês. Dois fornecedores, separados por cinco mil milhas, escolhendo a mesma capacidade para anunciar, o que é um sinal razoável sobre onde tem estado o verdadeiro modo de falha da categoria nos últimos dois anos.

As duas afirmações, no entanto, chegam em embalagens completamente diferentes. Uma delas vem com um benchmark e um número. A outra vem com uma frase. Essa assimetria — não a qualidade de imagem, que ninguém mediu entre os dois — é toda a comparação, e vale a pena analisá-la com cuidado, porque o número que existe é do próprio fornecedor, e a frase que não existe é de um fornecedor com mais histórico.

O que "renderização de texto" significa em cada lado

A alegação da Tencent é uma alegação sobre precisão em dois sistemas de escrita. O HY-Image 3.5 está documentado como uma melhoria na precisão do texto desenhado dentro da imagem, e o material deixa explícito que isso abrange chinês e inglês. Trata-se de uma alegação mais restrita e mais prática do que parece. O chinês é o sistema de escrita com que os modelos de imagem ocidentais se saem pior — a densidade de glifos é maior, o inventário de caracteres tem milhares de itens em vez de dezenas, e um modelo que renderiza formas de letras latinas plausíveis pode renderizar hanzi totalmente inventados sem que ninguém perceba até que um revisor o faça. Um fornecedor cujo mercado de origem escreve em chinês tem um motivo óbvio para atacar isso primeiro, e a Tencent disse isso diretamente.

A afirmação da OpenMOSS é sobre comprimento, e não sobre cobertura de sistemas de escrita. A principal demonstração do M​OSS-Image consiste em parágrafos — texto literário com comprimento-alvo médio de aproximadamente 1.340 caracteres, mantido de forma legível ao longo de uma imagem. Esse é um problema diferente de acertar quatro caracteres chineses. É a diferença entre renderizar um logotipo textual e renderizar uma página.

• O que o fornecedor destaca — M​OSS-Image: renderização de texto de formato longo, com o layout como mecanismo de controle. H​Y-Image 3.5: precisão de texto em chinês e inglês, com consistência do sujeito em edições repetidas.

• O que a interface oferece — M​OSS-Image: um prompt JSON com um summary bloco e um items array, em que cada elemento de texto carrega uma bounding box e a string literal a ser renderizada. H​Y-Image 3.5: um prompt em linguagem natural, além de imagens de referência para a direção de edição. Nenhum campo de string por elemento documentado.

• Qual é o teto de saída — MOSS-Image: treinado com 576, depois 3.072, depois 8.192 tokens ao longo de três resoluções, com o estágio final em aproximadamente 1024². HY-Image 3.5: até 2K, nas próprias palavras da Tencent.

• O que governa os pesos — MOSS-Image: Apache 2.0, sem limite de receita. HY-Image 3.5: nada publicado. Sem checkpoint, sem licença local, sem rota offline.

• O que você paga — MOSS-Image: nada pela licença. HY-Image 3.5: $0.024 por uma imagem 2K no endpoint internacional, ¥0.15 no mercado doméstico, cobrado apenas pelas imagens de saída entregues.

Esse quarto item merece uma frase só para si, porque é a única coisa nesta comparação sobre a qual pode agir hoje. Se a renderização de texto é a razão pela qual está a escolher entre estes modelos, só pode inspecionar o comportamento de um deles na sua própria máquina. Testar o M​OSS-Image na sua própria cópia significa descarregar 27,2 GB e executá-lo; testar o H​Y-Image 3.5 significa enviar prompts para a T​encent e ver o que recebe de volta.

O único número nesta comparação, e quanto ele vale

A MOSS-Image tem um benchmark. O LongLongTextBench é composto por 240 tarefas de renderização de texto literário — 120 em inglês, 120 em chinês — com um comprimento-alvo médio de 1.339,8 caracteres, e a OpenMOSS pontua a MOSS-Image com 96,3 em cobertura de texto Mean-6, contra 64,9 para a Qwen-Image-2512. A mesma tabela coloca o GPT Image 2 em 99,0 e o Nano Banana Pro em 96,6, o que vale a pena observar duas vezes: é uma tabela em que um concorrente vence, e é uma tabela em que a margem da MOSS-Image sobre o modelo que ela supera é maior do que sua desvantagem em relação aos modelos à sua frente.

Agora as ressalvas, que não são pequenas. O LongLongTextBench é o próprio benchmark da OpenMOSS, criado para este lançamento, executado pela OpenMOSS, no próprio sistema da OpenMOSS. A cobertura de texto Mean-6 é a própria métrica da OpenMOSS. Ninguém fora do laboratório reproduziu nada disso. É o primeiro número de fornecedor nesta categoria que tenta medir texto longo de alguma forma, e também é exatamente o tipo de número que um fornecedor constrói quando tem algo a mostrar.

O HY-Image 3.5 não tem número nenhum aqui. Nem publicado, nem independente — nenhum painel de avaliação pontua qualquer destes dois modelos em renderização de texto, e os painéis independentes que incluem o modelo da Tencent nem sequer tentam avaliar texto. Por isso, a questão do texto, que é exatamente aquilo com que ambos os fornecedores escolheram abrir, é a única questão que esta comparação não consegue responder com evidências de ambos os lados. Um fornecedor publicou um teste. O outro publicou uma afirmação. É este o estado das coisas, e qualquer artigo que coloque um número ao lado do HY-Image 3.5 neste eixo inventou-o.

Onde existe de fato evidência independente, e isso é apenas metade de uma comparação

O modelo da Tencent está nos rankings da Artificial Analysis sob a designação HunyuanImage 3.5 (Preview), o que por si só é útil porque corrobora a nomenclatura: o rótulo preview é o estado atual do modelo, não um estado histórico. O identificador em circulação é hy-image-v3.5-preview, e não há um segundo identificador estável ao lado dele. No ranking de texto para imagem, ele ocupa a posição intermediária, com 976,02 Elo. No ranking de edição de imagem, ele fica entre os 20% melhores, com 1.088 Elo em 5.775 comparações cegas — os líderes ali são GPT Image 2.5 Sunburst e Flare, da OpenAI, com 1.198 e 1.177, então a Tencent fica cerca de 110 Elo abaixo da fronteira, em intervalos de aproximadamente ±14.

Essa colocação na edição é a interessante para este confronto, e não por causa do ranking. É o quadro que cobre em parte a capacidade que a Tencent realmente anuncia. Editar um sujeito repetidamente sem que ele sofra desvio é a segunda metade do argumento de venda de texto e consistência da Tencent, e um Elo de edição no quintil superior é, no mínimo, vagamente consistente com a alegação de consistência. Não é uma medida de texto, nem é uma medida de desvio ao longo de uma sequência, mas é independente, o que é mais do que qualquer coisa do lado do MOSS-Image tem.

O MOSS-Image não está nessas tabelas. Tem apenas um dia de vida. Seu segundo benchmark, o RealLayoutArena, consiste em 61 tarefas de design avaliadas por comparação pareada cega e ajustadas a uma escala Bradley–Terry — 20 pôsteres, 20 infográficos, 21 interfaces — e também acompanha o lançamento e também foi criado pelo fornecedor. Na arena ponta a ponta, o MOSS-Image obtém 1698,70 de Elo, ficando atrás apenas do GPT Image 2, com 1844,35; restrito apenas ao backbone sob prompts aprimorados compartilhados, ele assume o primeiro lugar, com 1807,34. Mesmo lançamento, mesma parte interessada, mesma ressalva.

O chinês, que é onde as duas alegações realmente se encontram

Há uma diferença estrutural que nenhum fornecedor vai apontar e que é mais importante do que qualquer linha de {{1}}benchmark{{/1}}.

OpenMOSS construiu um benchmark de texto bilíngue deliberadamente equilibrado — 120 tarefas em inglês e 120 tarefas em chinês, uma divisão igual. Essa é uma escolha de design, e indica que o modelo foi avaliado como um produto bilíngue, em vez de um produto em inglês com o chinês como bônus. O corpus de treinamento do MOSS-Image veio de dados derivados do ReLAION, reduzidos de cerca de 5B amostras para 3B sem filtragem adicional, e o formato de layoutitens array recebe um rótulo de texto, caractere ou objeto — uma taxonomia que parece intencionalmente agnóstica em relação ao script.

A posição da Tencent é a imagem espelhada. O chinês é o mercado doméstico; o material do produto descreve o modelo como oferecendo forte compreensão do chinês; o endpoint internacional é uma segunda superfície atrás da doméstica, com preço separado. A Tencent não precisou criar um benchmark equilibrado entre inglês e chinês porque o chinês nunca foi o risco. O que ela não fez foi publicar como a metade em inglês se comporta.

Então, uma equipe que entrega materiais em chinês tem, de um lado, um fornecedor com um produto com o chinês em primeiro lugar e um número em inglês impossível de publicar, e, do outro, um fornecedor com uma avaliação bilíngue deliberadamente equilibrada e nenhum histórico no mercado chinês. Dois tipos diferentes de confiança, e nenhum deles é transferível para o mercado do outro. A única forma de resolver isso é um confronto direto com o seu próprio texto, e só um desses dois modelos permite que você faça isso. Execute as strings em chinês que você realmente entrega — nomes de produtos, textos legais, caracteres han que são fáceis de inventar — no M​OSS-Image-SFT localmente, e coloque as mesmas strings em confronto com hy-image-v3.5-preview via API. Esse experimento custa uma tarde e resolve mais do que o material dos dois fornecedores combinados.

Custo, acesso e a questão da rota

A comparação de custos pende para um lado, e a comparação de acesso pende para o outro, e é por isso que a decisão raramente se resume à fatura.

H​Y-Image 3.5 custa US$ 0,024 por uma imagem 2K no mercado internacional — US$ 24 por 1.000, que é o mesmo valor expresso por mil que aparece no painel independente, então a tarifa do fornecedor e a coluna de preços do painel coincidem. No mercado interno, custa ¥0,15 por uma imagem 2K, e a cobrança é feita apenas sobre imagens de saída entregues, portanto uma solicitação filtrada ou que falhou não é cobrada. A cem mil imagens por mês, isso dá US$ 2.400, com um modo de falha documentado que não gera cobrança.

MOSS-Image não tem tabela de preços. A licença é Apache 2.0 e o download tem cerca de 27,2 GB, dos quais aproximadamente 16,8 GB distribuídos em quatro shards correspondem ao text encoder congelado Qwen3.5-9B e cerca de 10,2 GB distribuídos em três correspondem ao transformer. O selo 5B descreve apenas o gerador de difusão, e o encoder é a metade maior do download. Os padrões de amostragem são flow-matching Euler com 50 passos, CFG 3.0 e shift 5.0; o caminho de guidance padrão precisa de dois forwards do transformer por passo, então a contagem de passos não é a configuração barata que parece. Suas cem mil imagens custam o que custar o tempo de GPU, e nada mais.

Aquilo em que estas duas rotas convergem é que nenhuma delas é um problema de encaminhamento. O M​OSS-Image não está no catálogo do OrcaRouter — servimos mais de 200 modelos e ele não é um deles —, pelo que a metade dos pesos desta comparação é a sua própria infraestrutura. O H​Y-Image 3.5 também não está lá, e a sua rota documentada é a própria API da T​encent ou os próprios produtos da T​encent; a T​encent não tem checkpoint, nem licença local, nem caminho offline, e os nós do ComfyUI que existem para ele chamam a API em vez de correrem por trás dela. A descrição honesta de ambos é a genérica: através da própria API do fornecedor e, no caso da T​encent, das suas ferramentas próprias.

O que o router realmente tem de útil aqui é a terceira coisa, que é o experimento acima. Se você quer testar como a renderização de texto local do MOSS-Image se sai contra modelos hospedados, em vez de contra um leaderboard, é no lado hospedado que a comparação morde, e colocar um checkpoint auto-hospedado contra vários modelos de imagem hospedados com prompts idênticos é o tipo de tarefa para a qual um único endpoint com failover automático e preços de tabela dos provedores repassados sem alteração foi feito: uma chave em vez de quatro integrações, e uma execução que termina mesmo quando um provedor tem uma hora ruim. O GPT Image 2 e os modelos de imagem do Google estão nesse endpoint; o MOSS-Image não está.

Escolhendo entre uma avaliação enviada e um produto enviado

Escolha o MOSS-Image se o que você precisa especificamente é de controle estruturado sobre onde o texto fica e por quanto ele se estende. O JSON de layout nomeia explicitamente a string e a posição de cada elemento de texto, o Apache 2.0 encurta a análise comercial, e o checkpoint Base foi deliberadamente deixado não destilado — o model card diz que nenhum pós-treinamento ou destilação de parâmetros de inferência como CFG foi aplicado —, o que é uma escolha deliberada de deixar algo para o treinamento LoRA trabalhar. Vá ciente de que ambos os benchmarks que levam seu nome são do próprio fornecedor, que o resultado de layout ponta a ponta mais forte vem de um pipeline cuja metade de especificação de prompt é um modelo de terceiros, e não um pequeno módulo OpenMOSS, e que o encoder domina o download.

Escolha o H​Y-Image 3.5 se precisar de um endpoint chamável esta semana, se os seus ativos estiverem em chinês ou se preferir comprar um modelo com uma colocação independente em edição do que um com um benchmark de fornecedor. Saiba desde o início que o identificador é uma designação de prévia sem substituição datada, que a alegação textual é uma frase e não uma pontuação, e que a única coisa medida de forma independente no modelo é uma média de preferência cega que não diz nada sobre se a parte intocada do seu quadro permaneceu intocada.

A lacuna que mais mudaria isto não é um novo modelo. É uma segunda parte a executar o LongLongTextBench em algo que não seja o M​OSS-Image, ou a T​encent a publicar uma pontuação de renderização de texto para a pré-visualização. Nenhuma das duas existe e, até que uma exista, a versão prática desta comparação é um download versus uma chamada de API e uma tarde passada com as suas próprias strings — o que é um melhor uso do tempo do que ler a tabela de qualquer um dos fornecedores.

As falhas documentadas de IA e os incidentes com agentes por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.