Hy Image3.5 對比 LLaDA-Image：租用端點還是擁有權重

在2026年9月購買2K影像模型有兩種方式，而它們與其說是兩種產品，不如說是兩種商業模式。Hy Image3.5 preview自2026年9月22日起上線，是一個按量計費的端點：在騰訊的國際價目表上每張影像0.024美元，中國國內則為人民幣0.15元，按實際交付的輸出計費，而且你完全不必碰GPU。LLaDA-Image則出自inclusionAI開放模型團隊，於2026年9月4日發布，是可下載的檢查點：一個7B級別的統一生成與編輯系列，掛在Apache-2.0標籤下，放在Hugging Face上，並未附帶任何託管端點。每月十萬張2K影像，用第一種方式大約要花2,400美元。第二種方式每張影像不花一毛錢，但要花多少錢得你自己算，因為權重免費，硬體可不免費。

這就是完整的比較，而幾乎所有關於它的錯誤，都來自把這兩者拿來比較時，彷彿價格欄是唯一的差異。事實並非如此。其中一個可能在你還在使用時就被棄用。其中一個可以微調。其中一個附帶的是廠商自家的基準測試，沒有獨立評分；另一個則附有技術報告、公開儲存庫，以及大約一千次下載。

附掛於 LLaDA-Image 的兩項主張彼此不一致

在這項比較具有任何意義之前，LLaDA-Image 卡片上有兩個細節需要被標記出來，而非予以解決，因為這兩者都是公開紀錄中真實存在的矛盾，而默默選邊站會比坦白直說更糟。

首先是參數數量。模型卡本身的敘述描述「一個具競爭力的 60 億參數開源統一影像生成與編輯模型系列」。同一頁面的側邊欄則回報 Safetensors 模型大小為 BF16 下的 70 億參數。這兩個數字都在同一頁面上，由同一個組織發布，而模型卡中沒有任何內容能調和它們。請將這個類別視為「大約七十億參數，描述中則有六十億的說法」，且不要引用任一個作為定論。任何告訴你確切數量的人，都只是在從你也能讀到的同一張模型卡裡猜測。

第二點是授權條款。這張卡片目前標示為License: apache-2.0。我們自己先前對這個系列的報導曾指出，已發布的卡片都沒有附上授權標籤，而且該儲存庫中沒有 LICENSE 檔案。這兩種說法可以在不同時間點各自成立——標籤是可以事後加上去的——但我們不會佯裝它們一直都相同，而一項在發布之後才出現的授權，與一項隨權重一同發布的授權，是截然不同的事實。如果這項授權對你的使用情境至關重要，請在你下載的當下自行查看該儲存庫，並確認訓練程式碼——卡片上說它即將推出——是否以相同條款發布。

這兩種架構實際上在推銷什麼

LLaDA-Image 並非一般意義上的擴散模型，而這正是它有趣之處。它將一個擴散 Transformer 與一個凍結的視覺語言模型——LLaDA2.0-mini——配對，並在兩者之間放了一個 RQA 連接器，而且它是以一個系列而非單一檢查點的形式發布：Base 以 50 步換取品質，Turbo 以二到四步換取吞吐量，兩者各有 BF16 與 FP8 版本。那就是四個檢查點，而步數正是自架部署之所以能勉強壓在預算內的原因：一個 50 步的 7B 模型，與一個 2 到 4 步的模型，所需的硬體條件完全是兩回事。技術報告已公開，訓練配方也被描述為完全開放，這比大多數開放權重發布所作的透明度聲明都來得更強。

Hy Image3.5 preview 在設計上就是相反的形態。它是單一端點、單一行為：同一次呼叫即可完成文字轉圖像與圖像轉圖像、可將先前輪次作為上下文延續的多輪編輯、每次請求最多五張參考圖片、2K 輸出上限，以及識別碼 hy-image-v3.5-preview。沒什麼可選、沒什麼可調，也沒什麼可下載。開箱即用的功能集更為廣泛——具備保留上下文的多輪對話式編輯，是開放系列並未宣傳的實際功能——而你對其中任何一項都無法掌控。

• 成本基準 — Hy Image3.5 preview 每張 2K 圖片為 $0.024，按實際交付的輸出計量；LLaDA-Image 則是免費權重，加上你 GPU 的運行成本。

• 你會得到什麼 —— Hy Image3.5 preview 是一套託管 API，具備多輪編輯與五張參考圖片；LLaDA-Image 則是四個檢查點（Base 與 Turbo、BF16 與 FP8）以及一套訓練配方。

• 生成一張圖像的步數 — Hy Image3.5 preview 只需單次呼叫，不會公開任何 step 參數；LLaDA-Image 在 Base 上為 50 步，在 Turbo 上為 2 到 4 步，由你自己設定。

• 權重 — Hy Image3.5 preview 不發布任何權重；LLaDA-Image 則發布完整系列。

• 授權條款 — Hy Image3.5 preview 是受騰訊條款規範的商業服務；LLaDA-Image 則帶有 apache-2.0 標籤，而我們先前的報導並未看到這點。

• 證據 —— Hy Image3.5 preview 有一項廠商 GSD 盲測，但沒有獨立的 Elo；LLaDA-Image 則有作者自行報告的 Qwen-Image-Bench 分數，英文為 53.53、中文為 53.38，同樣沒有獨立的 Elo。

這些之中只有一個能做到的事

先從權重能帶給你什麼談起，因為這不只是授權偏好的問題。檢查點是一項資產：它不會被棄用、重新定價、限流或關閉，而綁定特定檔案的管線三年後依然能執行。它可以拿你自己的素材進行微調；對擁有自家風格或特定字元集的團隊來說，這是在提示別人的模型與訓練自己的模型之間的差別。它能離線執行，若素材是受保密條款約束的客戶工作，這一點就很重要。而且它的吞吐量取決於你買的硬體，而不是你加入的佇列。

相對地，端點為你換來的是免除工作。你的團隊中沒有人需要學習服務堆疊，沒有人需要配置 GPU，沒有人在生產環境中發現 FP8 檢查點需要與 BF16 不同的執行環境，而且當工作在凌晨三點失敗時，也沒有人需要承擔責任。騰訊模型還具備開源家族並未宣稱的能力：保留對話的多輪編輯，而這正是讓角色在漫長的一系列編輯中保持一致性的機制。LLaDA-Image 的編輯支援是真實的——它是一個統一的生成與編輯家族——但跨輪次的對話狀態並非模型卡所宣稱的。

坦白說，這些根本不是在比品質。它們比的是誰來承擔營運風險，而兩個答案分別是「Tencent」和「你」。

在雙方各自那一邊，實際上測量到的是什麼？

這兩款模型都沒有獨立的排名位置。Artificial Analysis 的文字轉圖像排行榜，於 2026 年 9 月 23 日查閱時，並未列出 Hy Image3.5 預覽版項目，也沒有 LLaDA-Image 項目。榜上確實有騰訊出現的地方，是上一代：HunyuanImage 3.0 Instruct 以 964 Elo 排名第 65，HunyuanImage 3.0 以 945 排名第 70，在 156 款模型中——這是這個系列中任何項目唯一的第三方評測數據，而且已經落後一個世代。

雙方各自端出來的，反倒是自家的成果。騰訊的是以該公司自家數百名專業設計師執行的 GSD 式盲測偏好測試，報告結果為：相較 Hy Image3.0 約高出三成、與 Seedream 5.0 Pro 持平，並小幅領先 Nano-Banana Pro 與 Qwen-Image-3.0-Pro。由廠商自辦、由廠商自行招募樣本、提示詞組未公開——一套貨真價實的方法，配上一個貨真價實的利益衝突，而這句話的前後兩半，理當在同一口氣裡說完。

LLaDA-Image 的 Qwen-Image-Bench 分數為英文 53.53、中文 53.38，這是作者在他們自行挑選的基準測試上自行回報的數字。它並不比騰訊的測試更獨立；它是以不同方式未經審核。這張模型卡還列出五個社群 Spaces，以及每月約一千次的下載次數，這告訴你這個開放系列確實有真實但有限的關注度——它並不是這個領域已經採用的模型，而任何告訴你相反說法的人，都沒有看過那個數字。

資金的實際流向，在大規模運作下

誠實地算租用這一邊，因為它是唯一有公開費率的一邊。每月十萬張 2K 圖像，以 $0.024 計算就是 $2,400。每月五十萬張是 $12,000，也就是一年約 $144,000；而在那種規模下，自架的 7B 級圖像模型就不再是業餘玩家的選項，而開始成為顯而易見的支出項目。每月低於大約一萬張圖像時，這筆帳根本不是那樣算：$240 相對於 GPU、電力、儲存、服務堆疊，以及某人的注意力成本，根本不是勢均力敵的選擇，而按用量計費的端點在每個面向上都勝出，包括你沒有計入的那一項。

交叉點不是任何人能直接給你的數字，因為自架那一端取決於你已經擁有的硬體、你實際達到的使用率，以及 GPU 在未生成圖片時是否還在做別的事。能精確說的是曲線的形狀：按量計費模式隨用量呈線性，而自架模式則是階梯函數，所以問題不是哪一種比較便宜，而是你的用量相對於這個階梯落在哪裡。

一個端點，無論你選擇哪種方式

OrcaRouter 兩者都不會路由。我們不代管任何 Tencent 圖像模型——目錄中唯一的 Tencent 項目是純文字的 Hy3 系列——而且完全沒有 inclusionAI 的任何東西，所以 Hy Image3.5 preview 指的是 Tencent 自家的雲端與 Tencent 第一方產品，而 LLaDA-Image 指的是已發布的權重，以及你把它們指向的任何執行環境。把這點說清楚，比一個語焉不詳的模型頁面更有用。

在這項決策中，路由層的價值在於它讓第三個選項變得便宜。如果你正在權衡每月 2,400 美元與購買 GPU 之間的取捨，有用的中間資訊，是了解同一份工作負載在你今天無需簽約就能觸及的各種模型上要花多少錢——openai/gpt-image-2、google/gemini-3.1-flash-image-preview、Imagen 4 系列，以及grok/grok-imagine-image全都位於同一個 OpenAI 相容端點之後，以供應商標價、0% 加價提供，因此廠商一調整價格，我們這邊當天就會同步生效，而自動容錯移轉意味著某家供應商的一個糟糕下午不會變成你的服務中斷。這並不是本次比較中任一模型的替代品。它的作用，是讓這場比較不再只是在摸黑之中做出的二選一。

決定一切的那個問題

問問自己，你的工作負載是否具有某種形態，是權重能捕捉、而端點無法捕捉的。如果你正對照自家風格、固定字元集或客戶自有素材來生成，而且你有足夠的規模與硬體讓一個 7B 級模型值得其成本，那麼 LLaDA-Image 是更持久的資產，而 Apache-2.0 標籤——有鑑於上述歷史，在下載時確認一下——正是讓它可用的原因。你買的是選擇權，並在營運中為此付費。

如果你的工作負載具突發性，如果團隊裡沒人想負責一套服務堆疊，如果保留上下文的多輪編輯才是你真正需要的功能，或者如果你的每月影像量低於一萬張，那麼每張交付的 2K 影像 0.024 美元，就是把問題丟給別人的好價格，而預覽標籤是最該留意的重點。在 2026 年 10 月 7 日之前——趁 Miora、WorkRally 和 OnSolo 正在開放免費窗口期——唯一值得做的事，就是拿你自己的提示詞集跑一遍 tencent 模型，並記下接受率，因為真正決定按量計費那一側是否值得它的計量錶的，是那個數字，而不是百分之三十。