Hy Image3.5 vs LLaDA-Image：租用端点还是自持权重

2026年9月，购买2K图像模型有两种方式，而它们与其说是两款产品，不如说是两种商业模式。Hy Image3.5 preview自2026年9月22日上线，是一个按量计费的端点：在腾讯的国际价目表上为每张图像0.024美元，国内为0.15元人民币，按实际交付的输出计费，而你完全不必接触GPU。LLaDA-Image来自inclusionAI开放模型团队，于2026年9月4日发布，是一个可下载的检查点：一个7B级别的统一生成与编辑模型家族，以Apache-2.0许可发布，托管在Hugging Face上，没有配套的托管端点。每月十万张2K图像，按第一种方式大约要花2,400美元。第二种方式则每张图像不花钱，但有一笔你得自己算清楚的费用，因为权重免费，硬件不免费。

这就是全部的对比，而关于它几乎所有的错误，都源于把两者拿来比较时，仿佛价格那一栏是唯一的区别。并非如此。其中一个可能会在你还在用的时候被弃用。其中一个可以进行微调。其中一个附带的是厂商自己的基准测试，没有独立评分；另一个附带的是技术报告、公开代码库，以及大约一千次下载。

附加到 LLaDA-Image 的两个说法自相矛盾

在比较有任何意义之前，LLaDA-Image 卡片上的两个细节需要被指出，而不是被解决，因为二者都是公开记录中真实存在的矛盾，而悄悄选边站会比直言不讳更糟糕。

第一点是参数数量。模型卡自身的文字将其描述为“一个具有竞争力的60亿参数开源统一图像生成与编辑模型系列”。同一页面的侧边栏则显示，Safetensors模型大小为7B参数，精度为BF16。这两个数字出现在同一页面上，由同一机构发布，而模型卡中没有任何内容能够调和二者。应将其归类为“大约七十亿参数，描述中出现六十亿这一数字”，并且不要把其中任何一个当作定论来引用。任何告诉你确切数量的人，都只是在根据你能读到的同一张模型卡进行猜测。

第二点是许可证。该卡片如今带有 License: apache-2.0。我们此前对这一系列的报道曾说过，已发布的卡片中没有一个带有许可证标签，仓库中也没有 LICENSE 文件。这两种说法在不同时间点都可能成立——标签是可以后加的——但我们不会假装它们始终一致，而且发布之后才出现的许可证，与随权重一同发布的许可证相比，是性质不同的事实。如果许可证对你的用例至关重要，请在下载时自行核查该仓库，并确认卡片中描述为“即将推出”的训练代码是否会以相同条款提供。

这两种架构实际上在推销什么

LLaDA-Image 并不是通常意义上的扩散模型，而这正是它的有趣之处。它将一个扩散 Transformer 与一个冻结的视觉语言模型——LLaDA2.0-mini——配对，并在两者之间加入一个 RQA 连接器；而且它是以模型家族而非单一检查点的形式发布的：Base 为 50 步，侧重质量；Turbo 为 2 到 4 步，侧重吞吐量；两者各有 BF16 和 FP8 版本。也就是四个检查点，而步数正是自托管部署能够在有限预算下可行的原因：一个 50 步的 7B 模型与一个 2 到 4 步的模型，在硬件要求上完全是两回事。技术报告已公开，训练配方也被描述为完全开放，这比大多数开放权重发布所做出的透明度声明都要更强。

Hy Image3.5 preview 在设计上恰恰是相反的形态。它是一个端点，只有一种行为：同一次调用即可完成文生图和图生图，多轮编辑会携带之前的轮次作为上下文，每个请求最多支持五张参考图，输出上限为 2K，以及标识符 hy-image-v3.5-preview。无需选择，无需调优，无需下载。开箱即用的能力集更广——具备上下文保留的多轮对话式编辑是开放系列并未宣传的真实功能——而你对其中任何一项都没有控制权。

• 成本基准——Hy Image3.5 预览版按交付输出计量，每张 2K 图像收费 0.024 美元；LLaDA-Image 则提供免费权重，外加运行所需的 GPU 成本。

• 你将获得——Hy Image3.5 preview 是一个托管 API，支持多轮编辑和五张参考图像；LLaDA-Image 则是四个检查点（Base 和 Turbo、BF16 和 FP8）以及一套训练方案。

• 生成图像的步数 — Hy Image3.5 preview 只需一次调用，未暴露步数参数；LLaDA-Image 在 Base 上为 50 步，在 Turbo 上为 2 到 4 步，由您自行设置。

• 权重 — Hy Image3.5 预览版未发布任何权重；LLaDA-Image 则发布了完整系列。

• 许可 —— Hy Image3.5 preview 是一项商业服务，受腾讯条款约束；LLaDA-Image 带有 apache-2.0 标签，而我们自己此前的报道并未注意到这一点。

• 证据——Hy Image3.5 preview 有一个厂商 GSD 盲测，且没有独立 Elo；LLaDA-Image 有一个作者报告的 Qwen-Image-Bench 数值，英文为 53.53，中文为 53.38，并且同样没有独立 Elo。

唯有这些中的一个才能做到的事情

从权重能给你带来什么说起，因为这不止是一种许可偏好。检查点是一项资产：它不会被弃用、重新定价、限流或关停，而固定到某个特定文件的流水线三年后仍能运行。它可以在你自己的材料上进行微调，对于一个有固定风格或特定字符集的团队来说，这区别在于提示别人的模型还是训练自己的模型。它可以离线运行，如果材料是受保密条款约束的客户工作，这一点就很重要。而它的吞吐量取决于你购买的硬件，而不是你加入的队列。

相比之下，端点换来的是无需你操心任何工作。你团队里没人需要学习一整套服务栈，没人需要为 GPU 选型，没人会在生产环境中发现 FP8 检查点需要与 BF16 不同的运行时，也没人会在凌晨三点任务失败时被追责。腾讯的模型还具备开源系列并未宣称拥有的一项能力：保留对话的多轮编辑，而这恰恰是让角色在漫长的一系列编辑中保持一致的机制。LLaDA-Image 的编辑支持是实打实的——它是一个统一的生成与编辑系列——但跨轮次的对话状态并非其模型卡所宣传的内容。

说得实在点，这两者比的压根就不是质量，而是谁来承担运营风险，而答案无非两个：“腾讯”和“你”。

双方各自实际测量到的究竟是什么？

两个模型都没有独立的排名位置。Artificial Analysis 的文生图榜单在 2026 年 9 月 23 日查看时，既没有 Hy Image3.5 预览版的行，也没有 LLaDA-Image 的行。榜单上确实有腾讯的地方是上一代产品：HunyuanImage 3.0 Instruct 以 964 Elo 位列第 65 名，HunyuanImage 3.0 以 945 Elo 位列第 70 名（共 156 个模型）——这是该系列中任何东西唯一的第三方评测，而且已经落后了一代。

各方转而端出来的，都是自家的结果。腾讯这边是GSD式盲测偏好测试，由该公司自己的数百名专业设计师参与，报告称相较Hy Image3.0高出约30%，与Seedream 5.0 Pro持平，并略优于Nano-Banana Pro和Qwen-Image-3.0-Pro。厂商自行运行、自行填充样本、提示集未公开——一种真实的方法，伴随着真实的利益冲突，而这句话的两半必须放在同一口气里说。

LLaDA-Image 在 Qwen-Image-Bench 上的得分是英文 53.53、中文 53.38，这是作者在自行选择的基准上报告的数字。它并不比腾讯的测试更独立；只是以另一种方式未经审计。模型卡还列出了五个社区 Spaces，月下载量约为一千，这说明该开放模型家族确实有一定但不算大的关注度——它并不是一个已被领域广泛采用的模型，任何告诉你不是这样的人，都没有看过这个数字。

在规模化运作中，资金实际流向了哪里

老老实实算租用这一边，因为它是唯一有公开费率的一边。每月十万张 2K 图像，按 $0.024 计算是 $2,400。每月五十万张就是 $12,000，一年约 $144,000；到了这个规模，自托管的 7B 级图像模型就不再是业余爱好者的选择，而开始成为一项显而易见的预算条目。而在每月大约一万张图像以下，这笔账就完全不是那样算的：$240 对上一块 GPU 的成本、电力、存储、服务栈以及某个人的注意力，根本谈不上势均力敌，按量计费的端点会在每一个维度上胜出，包括你还没算进去的那个维度。

交叉点不是任何人能直接给你的一个数字，因为自托管这一侧取决于你已经拥有的硬件、你实际达到的利用率，以及 GPU 在不生成图像时是否还在做别的事情。能够被精确表述的是这条曲线的形状：按量计费的模型随用量线性增长，而自托管模型是一个阶跃函数，所以问题不在于哪个更便宜，而在于你的用量相对于这个阶跃处在什么位置。

一个端点，无论你走哪条路

OrcaRouter 对这两者都不提供路由。我们不托管任何腾讯图像模型——目录中仅有的腾讯条目是纯文本的 Hy3 系列——也完全没有 inclusionAI 的任何内容，所以 Hy Image3.5 preview 指的是腾讯自家的云和腾讯第一方产品，而 LLaDA-Image 指的是已发布的权重以及你将它指向的任何运行时。把这一点直白地说出来，比一个含糊其辞的模型页面更有用。

在这一决策中，路由层的价值在于它让第三种选择变得成本低廉。如果你正在权衡每月 2,400 美元与购买一块 GPU，那么真正有用的中间参考，是了解同一工作负载在你今天无需签约即可调用的各个模型上分别要花多少钱——openai/gpt-image-2、google/gemini-3.1-flash-image-preview、Imagen 4 系列以及 grok/grok-imagine-image都位于同一个 OpenAI 兼容端点之后，按供应商标价、0% 加价提供，因此供应商一旦调价，我们这边当天就会同步生效，而且自动故障转移意味着某个供应商的一个糟糕下午不会变成你的服务中断。这并不能替代本次比较中的任何一方模型。它的作用，是让这场比较不再是一个在黑暗中做出的二选一决定。

决定一切的那个问题

问问你的工作负载是否有一种形态，是权重能捕捉、而端点捕捉不了的。如果你是在按照内部风格、固定字符集或客户自有素材来生成，并且你有足够的量级和硬件，能让一个 7B 级模型物有所值，那么 LLaDA-Image 就是更耐用的资产，而 Apache-2.0 标签——鉴于上文的历史，下载时请核实——正是让它可用的东西。你买的是可选性，并在运营中为此付出代价。

如果你的工作负载突发性强，如果团队里没人愿意接手一套服务栈，如果带上下文保留的多轮编辑才是你真正需要的功能，或者如果你的月处理量不到一万张图像，那么每张交付的 2K 图像 $0.024 就是让别人去操心这个问题的好价钱，而预览标签是主要需要留意的点。在 2026 年 10 月 7 日之前——趁着 Miora、WorkRally 和 OnSolo 正在开放免费窗口——值得做的一件事，就是把你自己的提示词集跑一遍 tencent 模型，并记录下接受率，因为决定按量计费那一侧是否值得其计费的，是那个数字，而不是那百分之三十。