MOSS-Image против HY-Image 3.5: оба продают вам отрендеренный текст, и лишь один показывает тест

Спросите любого из этих двух вендоров, для чего на самом деле предназначена их модель изображений, и получите один и тот же ответ. M​OSS-Image, выпущенная OpenMOSS 16 октября 2026 года в виде чекпоинтов под лицензией Apache 2.0 — M​OSS-Image-Base и M​OSS-Image-SFT, — выдвигает на первый план рендеринг текста и вёрстку. H​Y-Image 3.5, текущая модель изображений Tencent в линейке H​unyuan, выдвигает на первый план повышенную точность текста, отрисованного внутри изображения, — как на китайском, так и на английском. Два вендора, разделённые пятью тысячами миль, выбрали для рекламы одну и ту же возможность — а это честный сигнал о том, где на протяжении последних двух лет находился реальный режим отказа этой категории.

Однако эти два утверждения подаются в совершенно разной упаковке. Одно из них сопровождается бенчмарком и числом. Другое — одним предложением. Именно эта асимметрия — а не качество изображения, которое никто не измерял для этих двух — и есть всё сравнение, и её стоит внимательно разобрать, потому что существующее число принадлежит самому вендору, а предложение, которого нет, — вендору с более долгой историей.

Что означает «рендеринг текста» с каждой стороны

Заявление Tencent — это заявление о корректности в двух письменностях. HY-Image 3.5, согласно документации, повышает точность текста, отрисованного внутри изображения, и в материалах прямо указано, что это касается китайского и английского. Это более узкое и куда более практичное заявление, чем может показаться. Китайский — та письменность, с которой западные модели изображений справляются хуже всего: плотность глифов выше, а набор знаков насчитывает тысячи, а не десятки, и модель, которая выдаёт правдоподобно выглядящие латинские буквы, может нарисовать полностью выдуманные ханьцзы, и никто этого не заметит, пока за дело не возьмётся корректор. У поставщика, чей домашний рынок пишет на китайском, есть очевидная причина взяться за это в первую очередь, и Tencent заявил об этом прямо.

Утверждение OpenMOSS касается длины, а не охвата письменностей. Главная демонстрация MOSS-Image — это абзацы: литературный текст со средней целевой длиной примерно 1 340 символов, который сохраняет разборчивость на изображении. Это отличается от задачи правильно воспроизвести четыре китайских иероглифа. Это разница между рендерингом словесного знака и рендерингом страницы.

• Что вендор выдвигает на первый план — M​OSS-Image: отрисовка длинных текстов, где управляющим механизмом служит компоновка. H​Y-Image 3.5: точность текста на китайском и английском языках при согласованности объекта в повторных правках.

• Что даёт интерфейс — MOSS-Image: JSON-промпт с блоком summary и массивом items, где каждый текстовый элемент несёт bounding box и буквальную строку для отрисовки. HY-Image 3.5: промпт на естественном языке плюс референсные изображения для направления редактирования. Документированного строкового поля для каждого элемента нет.

• Каков потолок выходного разрешения — MOSS-Image: обучена на 576, затем на 3 072, затем на 8 192 токенах в трёх разрешениях, причём финальный этап — примерно 1024². HY-Image 3.5: до 2K, по словам самой Tencent.

• Что определяет веса — MOS​S-Image: Apache 2.0, без порога по выручке. H​Y-Image 3.5: ничего не опубликовано. Ни чекпоинта, ни локальной лицензии, ни офлайн-маршрута.

• Что вы платите — MOSS-Image: ничего за лицензию. HY-Image 3.5: $0,024 за 2K-изображение на международном эндпоинте, ¥0,15 для внутреннего рынка; оплата взимается только за доставленные выходные изображения.

Этот четвёртый пункт заслуживает отдельного предложения, потому что это единственное, что в этом сравнении вы можете сделать уже сегодня. Если рендеринг текста — причина, по которой вы выбираете между этими моделями, вы можете проверить поведение только одной из них на своей машине. Тестирование M​OSS-Image на собственной копии означает загрузку 27,2 ГБ и запуск; тестирование H​Y-Image 3.5 означает отправку запросов в T​encent и просмотр того, что вернётся.

Единственное число в этом сравнении, и чего оно стоит

У M​OSS-Image есть бенчмарк. LongLongTextBench — это 240 задач по отрисовке литературного текста — 120 на английском, 120 на китайском — при средней целевой длине 1 339,8 символа, и OpenMOSS оценивает M​OSS-Image в 96,3 по покрытию текста Mean-6 против 64,9 у Q​wen-Image-2512. В той же таблице GPT Image 2 занимает 99,0, а N​ano Banana Pro — 96,6, что стоит отметить дважды: это таблица, в которой побеждает конкурент, и это таблица, в которой отрыв M​OSS-Image от модели, которую он превосходит, больше, чем его отставание от моделей впереди него.

Теперь оговорки, и они немалые. LongLongTextBench — это собственный бенчмарк OpenMOSS, созданный к этому релизу и проведённый OpenMOSS на собственной системе OpenMOSS. Mean-6 text coverage — это собственная метрика OpenMOSS. Никто за пределами лаборатории не воспроизвёл ничего из этого. Это первое число от вендора в этой категории, которое вообще пытается измерять длинный текст, и это также ровно тот тип числа, который вендор создаёт, когда ему есть что показать.

У HY-Image 3.5 здесь вообще нет никакой цифры. Ни опубликованной, ни независимой — ни один лидерборд не оценивает эти две модели по генерации текста, а независимые лидерборды, на которых представлена модель Tencent, не берутся за текст. Так что вопрос текста, то, что оба вендора решили выдвинуть на первый план, — это тот самый вопрос, на который это сравнение не может ответить, опираясь на доказательства с обеих сторон. Один вендор опубликовал тест. Другой опубликовал утверждение. Вот таково положение дел, и любой материал, который ставит цифру рядом с HY-Image 3.5 по этой оси, её выдумал.

Там, где независимые доказательства всё же существуют, и это лишь половина сравнения

Модель Tencent представлена на площадках Artificial Analysis под обозначением HunyuanImage 3.5 (Preview), и это само по себе полезно, поскольку подтверждает именование: метка preview отражает текущее состояние модели, а не историческое. В обращении находится идентификатор hy-image-v3.5-preview, и рядом с ним не существует второго, стабильного идентификатора. В рейтинге text-to-image она занимает место в середине списка с 976,02 Elo. В рейтинге image-editing она попадает в верхнюю пятую часть — 1 088 Elo по результатам 5 775 слепых сравнений; лидерами там являются GPT Image 2.5 Sunburst и Flare от OpenAI с 1 198 и 1 177, так что Tencent отстаёт от фронтира примерно на 110 Elo при интервалах порядка ±14.

Эта позиция в рейтинге редактирования — самое интересное в этом противостоянии, и не из-за ранга. Это таблица, которая частично покрывает возможность, которую Tencent фактически рекламирует. Многократное редактирование одного и того же объекта без дрейфа — это вторая половина рекламного тезиса Tencent о тексте и согласованности, и Elo по редактированию, попадающий в верхнюю пятую часть, по крайней мере в общих чертах согласуется с заявлением о согласованности. Это не измерение текста и не измерение дрейфа по последовательности, но оно независимо, а это больше, чем есть у чего-либо на стороне MOSS-Image.

MOSS-Image нет в тех таблицах. Ему всего один день. Его второй бенчмарк, RealLayoutArena, — это 61 дизайнерская задача, оцениваемая слепым попарным сравнением и подгоняемая под шкалу Брэдли–Терри — 20 постеров, 20 инфографик, 21 интерфейс — и он также поставляется вместе с релизом и тоже был создан вендором. В сквозной арене MOSS-Image набирает 1698,70 Elo, уступая только GPT Image 2 с 1844,35; если ограничиться только бэкбоном при общих расширенных промптах, он занимает первое место с 1807,34. Тот же релиз, тот же вендор, та же оговорка.

Китайский, где эти два утверждения на самом деле сходятся

Вот структурное различие, на которое ни один из поставщиков не укажет и которое важнее, чем любая из строк бенчмарка.

OpenMOSS создал двуязычный текстовый бенчмарк, намеренно сбалансированный: 120 заданий на английском и 120 заданий на китайском — ровно пополам. Это осознанное проектное решение, и оно говорит о том, что модель оценивали как двуязычный продукт, а не как англоязычный, в котором китайский идёт бонусом. Обучающий корпус MOSS-Image был получен из производных от ReLAION данных, урезанных примерно с 5 млрд образцов до 3 млрд без дополнительной фильтрации, а в формате разметки массив items принимает метку text, character или object — таксономия, которая намеренно выглядит не зависящей от письменности.

Позиция Tencent — зеркальное отражение. Китайский — это домашний рынок; в материалах о продукте модель описывается как обеспечивающая сильное понимание китайского; международный эндпоинт — вторая поверхность после внутренней, тарифицируется отдельно. Tencent не пришлось создавать сбалансированный англо-китайский бенчмарк, потому что китайский никогда не был риском. А вот чего она так и не сделала — не опубликовала, как показывает себя английская половина.

Итак, у команды, выпускающей материалы на китайском языке, с одной стороны — поставщик с продуктом, ориентированным в первую очередь на китайский рынок, и непубликуемой цифрой по английскому, а с другой — поставщик с намеренно сбалансированной двуязычной оценкой и без опыта работы на китайском рынке. Это два разных типа уверенности, и ни один из них не переносится на рынок другого. Единственный способ разрешить это — прямое сравнение на ваших собственных текстах, и только одна из этих двух моделей позволяет вам это сделать. Прогоните китайские строки, которые вы действительно публикуете, — названия продуктов, юридические формулировки, иероглифы которые легко придумать, — через MOSS-Image-SFT локально, а те же строки подайте на hy-image-v3.5-preview через API. Этот эксперимент стоит одного дня и решает больше, чем материалы обоих поставщиков вместе взятые.

Стоимость, доступ и вопрос маршрута

Сравнение затрат перекошено в одну сторону, а сравнение доступности — в другую, поэтому решение редко сводится к счёту.

H​Y-Image 3.5 стоит $0,024 за 2K-изображение на международном рынке — $24 за 1000, и это тот же показатель, пересчитанный на тысячу, который указан на независимом табло, так что ставка поставщика и столбец цен на табло совпадают. На внутреннем рынке это ¥0,15 за 2K-изображение, а счёт выставляется только за доставленные выходные изображения, поэтому за отфильтрованный или неудавшийся запрос плата не взимается. При ста тысячах изображений в месяц это $2 400, с документированным режимом отказа, не приводящим к выставлению счёта.

У MOSS-Image нет тарифной сетки. Лицензия — Apache 2.0, а объём загрузки составляет около 27,2 ГБ: примерно 16,8 ГБ, распределённые по четырём шардам, — это замороженный текстовый энкодер Qwen3.5-9B, а около 10,2 ГБ по трём шардам — это трансформер. Метка 5B описывает только диффузионный генератор, и энкодер составляет большую половину загрузки. Настройки сэмплирования по умолчанию — flow-matching Euler за 50 шагов с CFG 3.0 и shift 5.0; стандартный путь управления требует двух прямых проходов трансформера на шаг, так что количество шагов — не такая дешёвая настройка, как кажется. Ваши сто тысяч изображений обойдутся ровно в стоимость времени вашей GPU — и ни во что больше.

Эти два маршрута сходятся в том, что ни один из них не является проблемой маршрутизации. M​OSS-Image нет в каталоге OrcaRouter — мы обслуживаем более 200 моделей, и её среди них нет, — поэтому половина этого сравнения, касающаяся весов, — это ваша собственная инфраструктура. H​Y-Image 3.5 тоже там отсутствует, а его документированный маршрут — собственный API T​encent или собственные продукты T​encent; у T​encent нет ни чекпоинта, ни локальной лицензии, ни офлайн-пути, а существующие для него узлы ComfyUI вызывают API, а не работают за ним. Честное описание обоих — это общее описание: через собственный API вендора и, в случае T​encent, его собственные инструменты.

На самом деле роутер здесь полезен для третьего — для эксперимента выше. Если вы хотите проверить, как локальный рендеринг текста в MOSS-Image выглядит на фоне облачных моделей, а не на фоне таблицы лидеров, то именно на стороне облачных моделей сравнение и становится по-настоящему значимым, а выставить самостоятельно развёрнутый чекпойнт против нескольких облачных моделей изображений на идентичных промптах — это как раз та задача, для которой и создан единый эндпоинт с автоматическим переключением при сбое и сквозной передачей цен провайдеров по прайс-листу без изменений: один ключ вместо четырёх интеграций, и запуск, который доходит до конца, даже если у одного провайдера выдался неудачный час. GPT Image 2 и модели изображений Google на этом эндпоинте есть; MOSS-Image — нет.

Выбор между выпущенной оценочной версией и выпущенным продуктом

Выбирайте MOSS-Image, если конкретно вам нужен структурированный контроль над тем, куда попадает текст и как долго он длится. В JSON-макете явно указаны строка и позиция каждого текстового элемента, Apache 2.0 делает коммерческую проверку короткой, а чекпойнт Base намеренно оставили недистиллированным — в карточке модели сказано, что пост-обучение и дистилляция параметров инференса, таких как CFG, не применялись, — и это осознанный выбор: оставить кое-что для работы LoRA-обучения. Приступайте, зная, что оба бенчмарка, носящие его имя, — собственные бенчмарки вендора, что самый сильный показатель сквозной компоновки получен в пайплайне, где половина, отвечающая за спецификацию промпта, — сторонняя модель, а не небольшой модуль OpenMOSS, и что энкодер занимает основную часть загрузки.

Берите H​Y-Image 3.5, если вам нужна вызываемая конечная точка уже на этой неделе, если ваши материалы на китайском языке или если вы предпочли бы купить модель с независимым размещением в редактировании, а не модель с вендорским бенчмарком. Учитывайте, что этот идентификатор — обозначение предварительной версии без датированной замены, что текстовое заявление — это предложение, а не оценка, и что единственное, что у модели независимо измерено, — это среднее по слепым предпочтениям, которое ничего не говорит о том, осталась ли нетронутая часть вашего кадра нетронутой.

Разрыв, который сильнее всего изменил бы эту картину, — не новая модель. Это независимая сторона, запускающая LongLongTextBench на чём-то, что не является M​OSS-Image, или публикация компанией T​encent оценки рендеринга текста для превью. Ни того, ни другого не существует, и пока не появится одно из них, практическая версия этого сравнения — это скачивание в противовес вызову API и полдня, которое вы потратите на собственные строки, — что лучше, чем читать таблицу любого из двух вендоров.

Задокументированные сбои ИИ и инциденты с агентами, стоящие за такими релизами, как этот, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг оспаривания.