Krea 3 与 HY-Image 3.5：更便宜的编辑器，文档却更差

仅从价格来看，这场对决还没开始就已经结束，而且对较新的模型来说还是朝着不利的方向。HY-Image 3.5，Tencent 当前的图像模型——以标识符 hy-image-v3.5-preview 提供服务，并在国际端点上一张 2K 图像定价为 $0.024——成本约为 Krea 3 收费的 40%。Krea 于 2026 年 10 月 15 日发布 Krea 3，作为专用编辑模型，原生 2K 下每张图像 $0.06，主打速度：端到端每次编辑不到 8 秒。所以，如果你来时期望新挑战者会比现有者更便宜，算术给出的结论恰恰相反，而有趣的问题就变成了：为什么有人会为同样的编辑工作支付两倍半的价格。

答案在于可读性，而这对双方都成立。腾讯的模型有一个独立编辑评分——1,088 Elo，在 Artificial Analysis 图像编辑排行榜的 69 个已排名模型中位列第 17，在 5,775 次盲测比较中，其公布的 95% 区间为 1,074 至 1,102。Krea 3 则没有。但腾讯的模型早在 Krea 3 问世之前就已进入预览阶段，没有公布退出预览的日期，也完全没有公布每次编辑的秒数。Krea 3 有发布日期、价格、延迟数值，却没有外部证据。两家厂商都没有为你呈现完整图景，而这两个缺口并不对称。

两个模型，两种不同的未完成

这是首先要弄清楚的一点，因为一边说的“预览”和另一边说的“beta”并不是在描述同一个问题。

腾讯的混元图像产品线采取先发布预览版、后发布正式版的节奏，而当前这一代正处于前者——它旁边并不存在第二个稳定的、非预览版的标识，腾讯也未公布这样的标识何时会出现。榜单同样以预览版名称将其收录，即 HunyuanImage 3.5 (Preview)，这独立印证了预览版是当前状态，而非历史遗留的标签。

K​rea 的情况则更显混乱，只是规模较小。该模型于 2026 年 10 月 15 日以 K​rea 3 的名义发布，K​rea 的发布页面和博客都这么称呼它。K​rea 自己的定价表却将其列为 K​rea 3 Beta。在同一网站的其他地方，参考图像数量上限在发布帖中标注为六张，在产品页面上标注为八张。这些都不能说明该模型尚未准备就绪；这一切只说明这是一个发布仅四天、尚未整理妥当的版本。但“K​rea 3 Beta”是套餐表格中的字符串，而这类细节最终会出现在某人的配置文件里。

• 发布状态 — HY-Image 3.5：处于预览阶段，标识符为 hy-image-v3.5-preview，尚未公布稳定版本的发布日期。Krea 3：于 2026 年 10 月 15 日发布，在发布页面上名为 Krea 3，而在 Krea 的套餐表格中则称为 Krea 3 Beta。

• 独立编辑排名 —— HY-Image 3.5：第 17 名（共 69 个），1,088 Elo，区间 1,074–1,102，5,775 个样本。Krea 3：无条目，未排名。

• 每张 2K 图像价格 — HY-Image 3.5：国际端点 $0.024，国内 ¥0.15，仅按实际交付的输出图像计费。Krea 3：2K 为 $0.06，1K 为 $0.03，统一计价，Krea 表示该发布价即为标价，而非促销价。

• 速度 — HY-Image 3.5：未公布每次编辑的秒数指标。Krea 3：据厂商称，2K 分辨率下端到端耗时不足 8 秒。

• 参考图片 — HY-Image 3.5：每次请求最多五张，这也是腾讯资料中一贯采用的数字。Krea 3：发布帖中为六张，产品页面上为八张。

• 输出上限 —— HY-Image 3.5：用腾讯自己的话说，“最高 2K”。Krea 3：原生 2K，示例标注为 2736 × 1536 px，而 1K 只要半价。

• 开放权重——两者皆无。两家厂商都没有可下载的检查点；Tencent 的 ComfyUI 节点调用 API，而不是在本地运行，而 Krea 仅将自托管作为企业许可洽谈来提供。

一个编辑Elo能为你带来什么，又不能为你带来什么

在八十一个数字中排到第十六，这确实是个不错的位次，而且它是整场比较中唯一独立得出的数字。它值得被精确地解读。

HY-Image 3.5 在编辑榜上的得分高于文生图榜——1,088，而文生图排名则在前六十之外——这一落差一句话就道出了这个模型的特点。在原始生成偏好上，它顶多处于中游；在编辑上，它属于前四分之一。编辑榜的领跑者是 OpenAI 的 GPT Image 2.5 Sunburst（1,198）和 Flare（1,177），Nano Banana 2.1 与 Microsoft 的 MAI-Image-2.6 以 1,148 并列，因此 Tencent 比前沿低约 110 Elo 分——在约 ±14 的区间上，这是实打实的差距，而非四舍五入的差别。

那个数字无法告诉你的事，正是制作编辑赖以生存或毁于一旦的关键。Elo 是盲选偏好投票的平均值；它完全无法说明你画面中未改动的部分是否保持未改动，而这恰恰是 K​rea 用一项名为 precision 的指标来构建其整个卖点的基础——在被编辑区域之外保持未改动的像素占比，在对齐后按四分之一分辨率进行比较，同一提示词下每个模型尝试一次。K​rea 的 precision 测试是自行开展的，也应当如此看待。它仍然是正确的问题，而独立排行榜并未为两个模型中的任何一个回答这个问题。

没人宣传的不对称：多语言文本

这里存在一项能力差异，两家厂商的对比页面都不会揭示出来，而对于要在英语之外的市场交付产品的团队而言，它却是决定性的。

{{1}}腾讯对 HY-Image 3.5 的宣称是，其在图像内渲染文字的准确性有所提升，中英文皆如此。{{/1}}{{2}}这是厂商的宣称，没有任何独立评测机构对该模型的文字渲染能力进行评分，而且在腾讯之外尚未得到复现——但这是一项关于该模型明确为之打造的能力的宣称，并且直指该类别最可靠的失败点。{{/2}}{{3}}任何制作中文营销素材、包装或海报的人，都应将其视为这场对比中双方就此主题所发表的唯一表态。{{/3}}

K​rea 3 已发布的材料中没有类似的说法。它的发布示例都是英文的，其文档中记载的强项是产品场景替换、物体移除和照片清理。这并不能证明它在中文上存在短板；这只是没有任何相关声明，而对本地化流程来说，这与未经测试是一回事。

顺带一提，这两个模型在同一方向上有一个共同的盲点。Krea 3 让角色设定表保持未命名但真实存在：在结合参考图的一系列编辑中保持一致。Tencent 记录了多参考条件化和一致性声明，也同样没有记录任何具名的角色设定表功能或按角色划分的资产对象。如果你要构建一个常驻角色阵容，那么无论在哪一边，你都得自己搭建这条流水线。

成本论证，将重试也计算在内

先按公布的价格来算。HY-Image 3.5 每张 2K 图像 0.024 美元，对比 Krea 3 的 0.06 美元，相差 2.5 倍；如果每月生成十万张图像，那就是 2,400 美元对 6,000 美元。腾讯的计费只针对交付的输出图像，因此被过滤或失败的请求不会计费，这使得在复杂工作负载下的实际费率比按请求计费更接近报价。

这个更便宜的数字必须附带两个注意事项。$0.024 是国际端点费率；国内价格是 2K 图像 ¥0.15，如果你的流量走的路由不同，你支付的金额也会变化。而且该模型处于预览阶段——预览价格是一个尚未定型的事物的价格，这恰恰说明应把该费率作为配置值而非常量来保存，而不是说明不该使用它。

Krea 的反驳论据不是价格，而是重试次数。每次编辑六美分，跑五轮再挑最好的一轮，成本是三十美分，而且不用开会。在六美分对 $0.024 的情况下，差距小到足以让决策应基于控制力和速度，而不是账单——对于一场一开始就摆出 2.5 倍价差的比较来说，这是个奇怪的结论，但也是诚实的结论。

你可以在哪里调用每一个，以及路由器对此会做什么

这两个模型都不是你能拿在自己手里的。腾讯不发布检查点，不提供本地许可，也没有离线途径；所有有文档记载的获取方式都是通过腾讯自己的 API 或腾讯自家产品之一。Krea 的自托管方案是一项企业计划，可在你自己的 GPU 上运行，但需要协商许可。所以两者都是调用，而实际的问题是你要管理多少次调用。

OrcaRouter 对此的回应是一个兼容 OpenAI 的端点，覆盖数百个模型，服务商列表价原样透传、不加任何费用——因此厂商调价当天就会落到你的账单上，而不必等到下次续费——此外还有一套路由 DSL，可为每个请求锁定特定模型，并在服务商出错时自动故障转移。坦白说清覆盖范围：我们目前不路由 HY-Image 3.5 和 K​rea 3，所以这两者都意味着要直接调用厂商。与此同时，这个端点能给你带来的，是你用来对它们中任何一个做基准对比的那些模型——GPT Image 2以及 G​oogle 较新的图像模型等——已经都在同一个密钥之后，所以这场对比测评只是一次配置改动，而不是三套集成；而 T​encent 那边从预览版转为稳定版，或 K​rea 3 Beta 改名，也只是改一行，而不是做一次迁移。

哪一个，用于哪项工作？

如果你要发布中文语料素材，HY-Image 3.5 是这两者中唯一在文本渲染方面摆得出说法的，而且也是两者中便宜得多的一款。上手前要清楚：预览版就是它当前的发布状态，稳定版标识尚未排期，而附在它身上的唯一独立质量数字，只是盲测偏好的平均值，对遏制能力毫无说明。

如果你正在批量编辑英语产品与营销活动图像，而你的团队抱怨的是实际耗时，那么 K​rea 3 是更新、更快、在特定意义上文档更完善的选项——同时也是更贵的那个。开始前要明白：与其相关的每一项性能数字都出自 K​rea 自己，其参考图数量有两种不同的记录方式，而且它四天前才问世，尚无任何外部测量数据。

决定胜负的因素并不在任何一方的材料里。关键在于：你的编辑是否必须让某一帧分毫不差地保持住——若是如此，那么该在你自己的图像上跑的指标，就是对两个模型做 Krea 的精度测试；还是你的素材必须能正确渲染中文——若是如此，那么该看的是一项头条指标，而非排行榜。两个实验都花不了一天，而它们能告诉你的，都会比开篇那两枚价签更多。

数字无法告诉你的是，这一切在实际应用中是否已经出了问题：围绕这一类模型的有据可查的人工智能事故和智能体故障，都收录在OrcaRouter AI 事故档案中，其中每一条记录都附有各自的来源、严重程度、置信度等级和争议标记。