Hy Image3.5 vs Ming-Image-0.1-Design: Du kan hyra den ena och du kan inte köpa den andra

Hy Image3.5 och Ming-Image-0.1-Design lanserades med fem dagars mellanrum i september 2026 och kunde inte vara mer olika distribuerade. Tencents modell är ett API med mätbaserad debitering: 2K-bilder för 0,024 USD styck på Tencent Cloud International, en förhandsversion som öppnade den 22 september och som i dag är nåbar via Tencents egna produkter och molnytor. inclusionAI:s Ming-Image-0.1-Design är ett arkiv: MIT-licensierade vikter på Hugging Face sedan den 17 september, cirka 71,5 GB BF16-safetensors, ingen slutpunkt, inget pris, ingen leverantör och en Quick Start som pekar på ett tillhörande arkiv som returnerar 404. Den ena är en produkt du kan anropa i eftermiddag. Den andra är en fil du kan ladda ner i eftermiddag.

Det är jämförelsen, och det är ingen kvalitetstävling — ingen av modellerna har en oberoende poäng, så ingen av dem kan rangordnas efter utdata. Det som kan jämföras är vad var och en låter dig göra, och var var och en slutar. Läst på det sättet är de två modellerna nästan exakta motsatser på varje axel som ett produktionsteam bryr sig om.

Den enda dimensionen där den öppna modellen vinner ohotat

Börja med licensen, för det är det enda stället där jämförelsen inte är jämn.

Ming-Image-0.1-Design är MIT-licensierad. Ladda ner vikterna, finjustera dem på din egen katalog, leverera resultatet i en kommersiell produkt, hosta den åt kunder, behåll den härledda modellen – ingen avgift per anrop, inga användarvillkor att förhandla om, ingen leverantör som kan avveckla slutpunkten under fötterna på dig. För ett team med en integritetsbegränsning, en fast GPU-budget eller ett behov av att träna på proprietära designresurser är det inte en preferens, det är skillnaden mellan att ha en väg och att inte ha någon. Inget hostat bild-API, Tencents inräknat, kan erbjuda det.

Vad den licensen kostar är resten av artikeln.

Allt annat, en rad i taget

• Åtkomst – Hy Image3.5 är nu tillgänglig via Tencent Cloud TokenHub, Media Processing Service och Video on Demand, samt Yuanbao, ima, Miora, WorkRally, OnSolo och WorkBuddy, med en gratisperiod för tre av dessa till och med den 7 oktober 2026; Ming-Image-0.1-Design har ingen värdbaserad slutpunkt någonstans, ingen driftsättning hos någon inferensleverantör, och dess eget modellkort säger att du ska klona ett inferensrepository och köra ett skript.

• Kostnad — 0,024 USD per levererad 2K-bild, där misslyckade och filtrerade genereringar är odebiterade och ingen indatamätare finns, mot gratis vikter och ett 80 GiB CUDA-GPU som du måste få tag på. Den andra siffran är inte noll; det är hyran eller värdeminskningen för ett kort i den klassen, plus de ingenjörstimmar som krävs för att sätta upp stacken.

• Utdata — Hy Image3.5 når 2K med standardbildförhållandena och ingen 4K-nivå; Ming-Image-0.1-Design rekommenderar 2048×2048 eller 1024×1024 för snabbhet, vid 12 samplingssteg och CFG 1.0 i BF16.

• Transparens — Ming-Image-0.1-Design matar ut RGBA med transparenta bakgrunder som en nativ utdata, vilket är en verklig förmåga för arbete med ikoner, sprites och lagerkompositer; Hy Image3.5 har inget dokumenterat läge för transparent bakgrund.

• Konditionering — Hy Image3.5 tar emot upp till fem referensbilder per begäran och behåller tidigare turer genom en redigeringssession med flera turer; Ming-Image-0.1-Designs konditionering bygger på dess textkodare, en multimodal LLM i pipelinen, där promptförbättring förväntas komma från systermodeller snarare än att vara inbyggd.

• Driftsättningsstöd — ett hanterat API med drifttidsgaranti, gentemot en vLLM-Omni-väg vars installationsguide fungerar medan dess modellspecifika recept inte gör det.

• Oberoende bevisning — ingenting, på endera sidan.

Bevisproblemet, som är värre än det ser ut

Båda modellerna lanserades utan en tredjepartsmätning, men de misslyckades på olika sätt, och skillnaden är lärorik.

Tencents påstående är en blind GSB-preferensstudie som genomförts med flera hundra av företagets egna professionella designers, där Hy Image3.5 slår Hy Image3.0 med omkring 30 %, matchar Seedream 5.0 Pro och knappt överträffar Nano-Banana Pro och Qwen-Image-3.0 Pro. Metodiken är gedigen, deltagarna arbetar för Tencent, promptuppsättningen är opublicerad, och resultatet är en siffra som ingen utanför företaget kan återskapa. På text-till-bild-tavlan från Artificial Analysis, avläst den 23 september 2026, finns ingen rad för Hy Image3.5 alls; den tidigare generationen, HunyuanImage 3.0 Instruct, ligger på 65:e plats av 156 med 964 Elo.

Ming-Image-0.1-Designs påstående är en leaderboard-grafik publicerad i dess eget repository, med rubriken "Text to Image Leaderboard: UI/UX Design" och sidfoten "Elo scores from blind preference votes in our Image Arena" samt en "Open Weights Leaderboard"-badge. Den placerar modellen först med 1 082 Elo, över Ideogram 4.0 (Quality) med 1 052, Ideogram 4.0 med 1 015 och HunyuanImage 3.0 Instruct med 1 005. Grafen bär Artificial Analysis varumärke; modellen förekommer inte på Artificial Analysis live-tavlor. Vi kunde inte hitta tavlan den visar på den publika webben, och den visar inget antal röster.

Så Tencent-siffran beskriver åtminstone en studie som företaget genomförde. Mings beskriver en studie som kanske inte existerar utanför dess eget arkiv — vilket är ett svårare problem, eftersom den inte bara är oreviderad, den går inte att lokalisera. Ingen av dem bör citeras som ett riktmärke, och den ärliga hållningen till båda är att kvalitetsfrågan är öppen.

Varför arkitekturen ändå är värd en titt

En detalj i Ming-Image-0.1-Designs pipeline är det mest intressanta tekniska inslaget i båda tillkännagivandena, och den syns i repot snarare än i något pressmaterial. En tredjepartscommit i vLLM-Omni kopplar in en ByT5-baserad glyfencoder på bytnivå i en pipeline som heter `ming_flash_omni`, vilket utökar tokenizerns vokabulär med typsnitts- och färgmarkörer. Det är en designavsikt man kan läsa direkt: modellen tycks behandla renderad text som glyfer med typografiska attribut snarare än som en emergent egenskap hos prompten, vilket är det felmönster som ligger bakom nästan varje dåligt renderad poster som en bildmodell någonsin har producerat.

Det stämmer också överens med modellens angivna syfte – UI, infografik, affischer och annat texttungt designarbete – och med den rekommenderade utdata i 2048×2048, eftersom läsbar typografi kräver pixlar. Men det är avsikt, inte bevis. Repositorielayouten visar sex komponentmappar utan `model_index.json`, vilket innebär att modellen är en flerstegspipeline snarare än ett enda anrop, och kopplingen för glyph-encoder finns i någon annans inferensramverk snarare än i modellkortet. Tills en tredje part kör den och visar texten är det ett arkitektoniskt påstående.

Hy Image3.5:s motsvarande påstående är mer konventionellt och lika overifierat: Tencent säger att kinesisk och engelsk text i bilder har förbättrats, tillsammans med bättre promptstyrd layout och starkare redigering av riktiga fotografier. Även tillverkarens uppgifter, också oreproducerat.

Hur man faktiskt använder någon av dem

Det praktiska svaret skiljer sig helt beroende på vilken modell du valde, och inget av svaren har med en topplista att göra.

Om du vill ha Hy Image3.5, använd det kostnadsfria fönstret. Miora, WorkRally och OnSolo är öppna utan kostnad från 22 september till 7 oktober 2026, vilket är tillräckligt länge för att köra dina riktiga prompts mot den och bilda dig en uppfattning som Tencents studie inte kan ge dig. Bestäm dig sedan för om en förhandsversion som du inte kan hosta själv, inte kan finjustera och inte kan mäta självständigt hör hemma i en produktionsväg – och om den gör det, behåll genereringsanropet bakom ett gränssnitt som du kan peka om, eftersom en förhandsversion inte medför något åtagande om tillgänglighet och priset eller modellen kan ändras under fötterna på dig.

Om du vill ha Ming-Image-0.1-Design är den första uppgiften inte generering, utan driftsättning. Budgetera för en enda 80 GiB CUDA-GPU, räkna med att klona ett inferensrepo snarare än att anropa en pipeline, och kontrollera receptlänken för vLLM-Omni innan du planerar utifrån den, eftersom den inte gick att slå upp när vi tittade. Det du får på andra sidan är det enda av dessa två modeller som du kan finjustera, det enda som avger en transparenskanal och det enda som inte kan tas ifrån dig.

Den sista egenskapen är också anledningen till att ett routningslager och en modell med öppna vikter kompletterar varandra snarare än är alternativ. OrcaRouter är den hanterade halvan — en nyckel över fler än 200 modeller, leverantörens listpris vidarebefordrat med 0 % påslag så att en leverantörs prisändring slår igenom samma dag, och automatisk failover så att en obeprövad förhandsversion kan ligga bakom ett produktionsanrop utan att bli en enda felpunkt. Det är inte den halva som ger dig vikterna. För att vara exakt om vår katalog: varken Hy Image3.5 eller Ming-Image-0.1-Design går att routa här. OrcaRouter har ingen Tencent-bildmodell och ingen inclusionAI-modell, och de värdbaserade stillbildsmodeller vi faktiskt erbjuder är Googles Nano Banana 2 (som google/gemini-3.1-flash-image-preview), GPT-Image-2, Imagen 4 Ultra och Grok Imagine Image.

Vad var och en är till för

Hy Image3.5 är för team som vill ha en bild billigt och inte vill driva något själva: 2K-utdata, fakturering per bild utan kostnad för kasserade försök, ett fungerande API idag och ett kvalitetspåstående som du själv måste testa. Det är det mest friktionsfria alternativet i kategorin och det kommer helt utan ägande.

Ming-Image-0.1-Design är för team vars begränsning inte är pris utan kontroll – en licens de kan bygga ett företag på, en modell de kan finjustera, en transparenskanal som inget hostat API erbjuder, och en GPU-räkning i stället för en räkning per anrop. Det levereras utan support, utan endpoint och med en driftsättningshistoria som är halvfärdig.

De två konkurrerar inte om samma plats, och anledningen är inte kvalitet. Det är att en av dem är en tjänst och den andra är en tillgång, och frågan om vilken du behöver besvaras innan du ens tittar på ett benchmark.