MOSS-Image vs HY-Image 3.5：两者都向你兜售渲染好的文字，但只有一个让你看到测试

随便问哪家厂商，他们的图像模型究竟是为了什么，你都会得到同一个答案。MOSS-Image，由 OpenMOSS 于 2026 年 10 月 16 日作为 Apache 2.0 检查点发布MOSS-Image-Base和MOSS-Image-SFT，主打文本渲染与布局。HY-Image 3.5，Tencent 的 Hunyuan 系列中当前的图像模型，主打图像内渲染文本的准确率提升——中英文皆是如此。两家厂商，相隔五千英里，却挑选同一种能力来宣传，这很能说明过去两年这个品类真正的失败模式在哪里。

然而，这两种说法以完全不同的包装出现。其中一个附带了基准测试和一个数字。另一个则只附带了一句话。这种不对称——而不是图像质量，因为没有人对这两者做过图像质量测量——才是整个比较的核心，值得仔细梳理，因为存在的那个数字来自厂商自己，而那句没有数字的话则来自一家历史更悠久的厂商。

每一侧的“文本渲染”是什么意思

腾讯的说法，是一个关于两种文字体系下正确性的说法。HY-Image 3.5 的文档说明它提升了图像内所绘制文字的准确性，而相关材料明确表示这涵盖中文和英文。这个说法听起来比实际更宏大，其实更窄也更务实。中文是西方图像模型处理得最差的文字体系——字形密度更高，字符库多达数千而非数十，而一个能渲染出看似合理的拉丁字母造型的模型，也可能渲染出完全生造的汉字，却无人察觉，直到校对人员发现为止。一个本土市场书写中文的厂商，显然有理由率先攻克这一点，而腾讯也直言不讳地这么说了。

OpenMOSS 的主张关乎长度，而非文字系统的覆盖范围。M​OSS-Image 的招牌演示是段落——平均目标长度约 1,340 个字符的文学文本，在一张图像中依然清晰可读。这与把四个汉字写对是截然不同的问题。这相当于渲染一个词标与渲染一整页之间的差别。

• 厂商主打的亮点——M​OSS-Image：长文本渲染，以布局作为控制机制。H​Y-Image 3.5：中英文文本准确度，以及在反复编辑中保持主体一致性。

• 界面为你提供的内容——MOSS-Image：一个带有 summary 块和 items 数组的 JSON 提示词，其中每个文本元素都带有一个边界框和要渲染的字面字符串。HY-Image 3.5：自然语言提示词，外加用于编辑方向的参考图像。没有文档化的逐元素字符串字段。

• 输出上限是什么 —— MOSS-Image：在三种分辨率下依次基于 576、3,072 和 8,192 个 token 进行训练，最后阶段的规模约为 1024²。HY-Image 3.5：用腾讯自己的话说，最高可达 2K。

• 权重受何约束 —— MOSS-Image：Apache 2.0，无营收门槛。HY-Image 3.5：未公布任何内容。没有模型检查点，没有本地许可证，没有离线途径。

• 你需要支付的费用 — M​OSS-Image：许可证免费。H​Y-Image 3.5：在国际端点生成 2K 图像需 $0.024，国内为 ¥0.15，仅按实际交付的输出图像计费。

那第四个要点值得单独用一句话来说，因为在这场对比中，它是你今天就能付诸行动的一点。如果你在这些模型之间做选择的原因是文本渲染，那么你只能在自己机器上考察其中一个的表现。在自己的副本上测试 MOSS-Image 意味着下载 27.2 GB 并运行它；测试 HY-Image 3.5 则意味着把提示词发给 Tencent，然后看看返回什么。

这个比较中唯一的一个数字，以及它的价值

M​OSS-Image 有一项基准测试。LongLongTextBench 包含 240 个文学文本渲染任务——120 个英文、120 个中文——平均目标长度为 1,339.8 个字符，OpenMOSS 在 Mean-6 文本覆盖率上给 M​OSS-Image 打出 96.3 分，而 Q​wen-Image-2512 为 64.9 分。同一张表将 GPT Image 2 列为 99.0，将 N​ano Banana Pro 列为 96.6，这有两点值得注意：其一，这是一张竞争对手获胜的表；其二，在这张表里，M​OSS-Image 对其击败模型的领先幅度，大于其与领先模型之间的差距。

现在说说注意事项，这些可不是小事。LongLongTextBench 是 OpenMOSS 自己的基准测试，专为本次发布打造，由 OpenMOSS 在自家系统上运行。Mean-6 文本覆盖率是 OpenMOSS 自己的指标。实验室之外还没有人复现过其中任何一项。这是该类别中首个真正尝试衡量长文本的厂商数字，而且它也恰恰是厂商在有好东西要展示时会造出来的那种数字。

H​Y-Image 3.5 在这里根本没有数字。既没有公布的数字，也没有独立的数字——这两个模型都没有文本渲染方面的榜单评分，而确实收录了腾讯模型的独立榜单也不尝试文本。因此，文本这个问题——两家厂商都选择作为主打的那件事——正是这场比较无法用双方证据来回答的问题。一家厂商发布了一项测试。另一家发布了一个声明。这就是现状，任何在这条轴上给 H​Y-Image 3.5 配上一个数字的文章，都是编造出来的。

在独立证据确实存在的地方，而这只是比较的一半

腾讯的模型以 HunyuanImage 3.5（Preview）的名称出现在 Artificial Analysis 榜单上，这本身就很有用，因为它印证了命名：“预览”标签是该模型的当前状态，而非历史状态。流传中的标识符是 hy-image-v3.5-preview，其旁边没有第二个稳定标识符。在文本到图像榜单上，它以 976.02 Elo 排在中游。在图像编辑榜单上，它进入前五分之一，在 5,775 次盲测对比中取得 1,088 Elo——那里的领先者是 OpenAI 的 GPT Image 2.5 Sunburst 和 Flare，分别为 1,198 和 1,177，因此腾讯在约 ±14 的区间上比前沿低约 110 Elo。

那个编辑榜上的位置是这场对比中有意思的一点，并不是因为名次。它是一个部分覆盖了腾讯实际宣传能力的榜单。反复编辑同一主体而不让它发生漂移，是腾讯“文本与一致性”宣传的后半部分，而编辑 Elo 进入前五分之一，至少与一致性主张大致吻合。它衡量的不是文本，也不是序列中的漂移，但它是独立的，这已经比 MOSS-Image 那边所拥有的任何东西都强。

M​OSS-Image 不在那些榜单上。它才发布一天。它的第二个基准 RealLayoutArena 包含 61 项设计任务，通过盲法成对比较评判，并拟合到 Bradley–Terry 标度——20 张海报、20 份信息图、21 个界面——它也随该版本一同发布，而且同样由厂商构建。在端到端竞技场中，M​OSS-Image 得分为 1698.70 Elo，仅次于 GPT Image 2 的 1844.35；在共享增强提示下仅限主干模型本身时，它以 1807.34 位居第一。同一版本，同一方，同样的告诫。

中文，也就是这两种主张真正交汇的地方

这里有一个结构性差异，两家厂商都不会指出，而它比任何一行的基准测试成绩都更重要。

OpenMOSS 构建了一个刻意保持平衡的双语文本基准——120 个英语任务和 120 个中文任务，对半均分。这是一项设计选择，它说明该模型是作为一款双语产品接受评测的，而不是一款以英语为主、中文只是附赠的产品。MOSS-Image 的训练语料来自 ReLAION 衍生数据，从约 50 亿样本裁剪到 30 亿，且未再做进一步过滤，而布局格式的items 数组所取的标签为 text、character 或 object——这套分类法刻意呈现出与文字系统无关的取向。

腾讯的处境恰如镜像。中文是本土市场；产品材料将模型描述为具备强大的中文理解能力；国际端点则是国内端点之后的第二层界面，单独定价。腾讯不必构建一个平衡的英中基准，因为中文从来不是风险所在。它尚未做的是公布英文那一半的表现如何。

所以，一支要交付中文内容的团队，一边面对的是产品以中文为先、英文成绩却无法公开的供应商，另一边面对的是刻意做了均衡双语评测、却毫无中文市场记录的供应商。这是两种不同的可信度，而哪一种都无法迁移到对方的市场。要分出高下，唯一的办法就是在你自己的文案上正面比一场，而这两个模型里只有一个能让你这么做。把你实际交付的中文字符串——产品名、法律条款、汉字这类随手就能编出来的内容——在本机用 MOSS-Image-SFT 跑一遍，再把同样的字符串拿去跑hy-image-v3.5-preview，只不过走 API。这个实验花一个下午，却比两家供应商的材料加起来还能说明问题。

成本、可及性与路径问题

成本上的比较倒向一边，可及性上的比较则倒向另一边，正因如此，决策很少归结于账单本身。

HY-Image 3.5 在国际上每张 2K 图像收费 0.024 美元——即每 1,000 张 24 美元，这与独立榜单上按千张重述的数字相同，因此供应商的费率与榜单的价格列一致。国内每张 2K 图像为 ¥0.15，且仅对实际交付的输出图像计费，因此被过滤或失败的请求不收费。按每月十万张计算，即 2,400 美元，并且有一种已记录在案的失败模式不会产生费用。

MOSS-Image 没有价目表。许可证为 Apache 2.0，下载大小约为 27.2 GB，其中约 16.8 GB 分布在四个分片中，是冻结的 Qwen3.5-9B 文本编码器；约 10.2 GB 分布在三个分片中，是 Transformer。5B 这个标签仅描述扩散生成器本身，而编码器才是下载内容中更大的那一半。采样默认设置为流匹配 Euler，50 步，CFG 3.0，shift 5.0；默认引导路径每一步需要两次 Transformer 前向传播，因此步数并不像看起来那样是廉价的设置。你的十万张图像的成本就是你 GPU 时间的成本，别无其他。

这两条路线汇聚之处在于，它们都不是路由问题。M​OSS-Image 不在 OrcaRouter 目录中——我们服务超过 200 个模型，它不在其中——因此这一对比中权重的那一半属于你自己的基础设施。H​Y-Image 3.5 也不在其中，其文档所述路线是 T​encent 自有 API 或 T​encent 自有产品；T​encent 没有检查点、没有本地许可证，也没有离线路径，而为它存在的 ComfyUI 节点调用的是 API，而不是在其背后运行。对两者诚实的描述都是通用描述：通过供应商自有 API，而在 T​encent 的情况下，通过其第一方工具。

路由器在这里真正派得上用场的其实是第三点，也就是上面那个实验。如果你想检验 MOSS-Image 的本地文本渲染与托管模型相比表现如何，而不是跟排行榜比，那托管这一侧才是比较见分晓的地方；而让一个自托管检查点在完全相同的提示词下与多个托管图像模型一较高下，正是配备自动故障转移和原样透传的提供商标价的单个端点所擅长的差事：一个密钥代替四套集成，而且即便某家提供商有一段时间状态不佳，任务也能跑完。GPT Image 2 和 Google 的图像模型就在那个端点上；MOSS-Image 则不在。

在已发布的评估版与已发布的产品之间进行选择

如果你具体需要的是对文字落点位置和文本长度的结构化控制，那就选 MOSS-Image。布局 JSON 会明确指定每个文本元素的字符串和位置，Apache 2.0 让商业审查流程更省事，而 Base 检查点被刻意保持为未蒸馏——模型卡说明未对 CFG 等推理参数进行后训练或蒸馏——这是有意为之，好给 LoRA 训练留下可发挥的空间。你要清楚，两个带有它名字的基准测试都是厂商自家的，最强的端到端布局数据来自一条流水线，其提示词指定那一半用的是第三方模型，而不是一个小型 OpenMOSS 模块，并且编码器在下载量中占了大头。

如果你这周就需要一个可调用的端点，如果你的素材是中文的，或者如果你宁愿买一个在独立编辑排行榜上占有一席之地的模型，而不是一个只有厂商基准的模型，那就选 H​Y-Image 3.5。但入手前要清楚：这个标识只是预览版命名，并没有注明替换日期；文本方面的说法只是一句话，而不是一个分数；而关于该模型唯一经过独立测量的东西，是一个盲测偏好平均值——它完全不能说明你画面中未被改动的那部分是否真的原封未动。

最能改变这一点的缺口并不是一个新模型。而是第三方在并非 MOSS-Image 的模型上运行 LongLongTextBench，或者 Tencent 为预览版公布文本渲染评分。两者都不存在，而在其中之一出现之前，这种比较的实际可行版本就是一次下载与一次 API 调用的对比，以及一个下午花在你自己的字符串上——这比阅读任何一家厂商的表格都更值得。

此类发布背后有据可查的 AI 故障与智能体事件，均收录于OrcaRouter AI 事件档案，其中每条记录都带有自己的来源、严重程度、置信度评级和争议标记。