MOSS-Image 與 HY-Image 3.5 對比：兩者都賣你渲染文字，而只有一個讓你看見測試

無論問哪一家供應商，他們的圖像模型究竟所為何來，得到的答案都一樣。M​OSS-Image由 OpenMOSS 於 2026 年 10 月 16 日以 Apache 2.0 檢查點形式發布，分為 M​OSS-Image-Base與 M​OSS-Image-SFT，主打文字渲染與版面配置。H​Y-Image 3.5則是騰訊 Hunyuan 系列中目前的圖像模型，主打的是圖像內文字渲染準確度的提升——中英文皆是如此。兩家供應商，相隔五千英里，卻不約而同選擇宣傳同一項能力，這對於這個類別在過去兩年真正的失效模式究竟何在，是個頗具參考價值的訊號。

然而，這兩項主張以截然不同的包裝出現。其中一項附帶一項基準測試和一個數字。另一項則附帶一句話。這種不對稱——不是影像品質，因為沒有人針對這兩者測量過影像品質——就是整個比較的重點，而且值得仔細梳理，因為存在的那個數字是某家廠商自己的，而不存在的那句話則來自一家歷史更悠久的廠商。

「文字渲染」在各方是什麼意思

騰訊的主張，是關於兩種文字系統之間正確性的主張。HY-Image 3.5 的文件記載它提升了圖像內所繪文字的準確度，而相關資料明確指出這涵蓋中文與英文。這項主張聽起來範圍較窄，實際上卻更為務實。中文是西方圖像模型處理得最差的文字系統——字符密度更高，字元庫動輒上千而非數十，而且一個能畫出看似合理拉丁字母的模型，可能畫出完全是憑空捏造的漢字，卻沒有人察覺，直到校對人員發現為止。一個母市場以中文書寫的廠商，自然有明顯理由先攻克這一點，而騰訊也直言如此。

OpenMOSS 的主張在於長度，而非文字系統覆蓋範圍。MOSS-Image 的旗艦展示是段落——平均目標長度約 1,340 個字元的文學文本，能在整張影像中保持清晰可讀。這與正確處理四個中文字是不同問題。這是渲染一個品牌字標與渲染一整頁之間的差別。

• 廠商主打的重點 —— MOSS-Image：長文本渲染，以版面配置作為控制機制。HY-Image 3.5：中英文文字準確度，並在反覆編輯中維持主體一致性。

• 介面提供給你的內容 — MOSS-Image：一個 JSON 提示詞，帶有 summary 區塊與一個 items 陣列，其中每個文字元素都帶有邊界框，以及要渲染的字面字串。HY-Image 3.5：自然語言提示詞，外加用於編輯方向的參考圖片。沒有已記載的逐元素字串欄位。

• 輸出上限是多少 —— M​OSS-Image：歷經三個解析度，先以 576 個、再以 3,072 個、最後以 8,192 個 token 進行訓練，最終階段約為 1024²。H​Y-Image 3.5：用騰訊自己的話說，最高可達 2K。

• 什麼規範了權重 — M​OSS-Image：Apache 2.0，沒有收入門檻。H​Y-Image 3.5：沒有發布任何東西。沒有檢查點，沒有本地授權，沒有離線途徑。

• 你需要支付的費用 — M​OSS-Image：授權免費。H​Y-Image 3.5：國際端點上的 2K 圖片為 $0.024，國內為 ¥0.15，僅依交付的輸出圖片計費。

那第四點值得單獨用一句話來說明，因為它是這場對決中你今天就能實際採取行動的一件事。如果文字渲染是你在这兩個模型之間做選擇的理由，你只能在自己機器上檢視其中一個的行為。在自己的副本上測試 M​OSS-Image 代表要下載 27.2 GB 並執行它；測試 H​Y-Image 3.5 則代表把提示送給 T​encent，然後看看回傳什麼。

這項比較中的那一個數字，以及它值多少

MOSS-Image 有一項基準測試。LongLongTextBench 包含 240 項文學文本渲染任務——120 項英文、120 項中文——平均目標長度為 1,339.8 個字元，而 OpenMOSS 在 Mean-6 文字覆蓋率上給 MOSS-Image 打了 96.3 分，Qwen-Image-2512 則為 64.9 分。同一張表把 GPT Image 2 列在 99.0、Nano Banana Pro 列在 96.6，這點值得注意兩次：這是一張競爭對手勝出的表，也是一張 MOSS-Image 對其擊敗模型的領先幅度，大於它對排在前面的模型的落後幅度的表。

現在來說說但書，而這些但書可不小。LongLongTextBench 是 OpenMOSS 自家的基準測試，專為這次發布打造，由 OpenMOSS 在自家系統上執行。Mean-6 文字覆蓋率是 OpenMOSS 自家的指標。實驗室以外沒有人重現過其中任何一項。這是這個類別中第一個嘗試衡量長文本的廠商數字，而它也正是一家廠商在有東西可以展示時會打造出來的那種數字。

H​Y-Image 3.5 在這裡根本沒有數字。沒有已公布的數字，也沒有獨立的數字——沒有任何評測機構為這兩個模型的文字渲染評分，而確實收錄 T​encent 模型的獨立評測機構也不進行文字測試。所以，文字這個問題——正是兩家廠商都選擇拿來主打的問題——是這場比較無法用雙方證據回答的那個問題。一家廠商公布了測試，另一家發表的則是宣稱。這就是目前的狀況；任何在這條軸線上把數字放在 H​Y-Image 3.5 旁邊的文章，都是捏造出來的。

在確實有獨立證據存在的情況下，而這只是一半的比較

騰訊的模型以 HunyuanImage 3.5 (Preview) 的名稱出現在 Artificial Analysis 的排行榜上，這本身很有用，因為它印證了命名：preview 這個標籤代表的是模型的當前狀態，而非歷史狀態。流通中的識別碼是 hy-image-v3.5-preview，旁邊並沒有第二個穩定的識別碼。在文字轉圖像排行榜上，它以 976.02 Elo 位居中段。在圖像編輯排行榜上，它進入前五分之一，在 5,775 次盲測比較中取得 1,088 Elo——該榜的領先者是 OpenAI 的 GPT Image 2.5 Sunburst 與 Flare，分別為 1,198 和 1,177，因此騰訊在約 ±14 的區間下，落後前沿約 110 Elo。

那個編輯項目的名次是這場對決中有趣的一點，而且不是因為名次本身。這個排行榜部分涵蓋了 T​encent 實際宣傳的能力。反覆編輯同一個主體而不讓它漂移，是 T​encent 文字與一致性訴求的另一半，而編輯 Elo 能落在前五分之一，至少還能寬鬆地吻合那項一致性主張。它不是對文字的衡量，也不是對跨序列漂移的衡量，但它是獨立的，而這已經勝過 M​OSS-Image 這邊的任何東西。

MOSS-Image 並不在那些榜單上。它才問世一天。它的第二項基準測試 RealLayoutArena，包含 61 項設計任務，以盲測成對比較進行評判，並擬合至 Bradley–Terry 量表——20 張海報、20 張資訊圖表、21 個介面——而它同樣隨此次發布一起推出，也同樣由該廠商打造。在端到端競技場中，MOSS-Image 拿下 1698.70 Elo，僅次於 GPT Image 2 的 1844.35；若僅限於主幹模型本身、在共用的強化提示下，它則以 1807.34 拔得頭籌。同一場發布、同一方主辦、同樣的但書。

中文，這正是那兩種主張實際交會之處。

這是一個結構性差異，兩家廠商都不會指出，而它比任何一行基準測試數據都更重要。

OpenMOSS 打造了一個刻意保持平衡的雙語文本基準——120 項英文任務與 120 項中文任務，均分對半。這是一項設計選擇，說明該模型是以雙語產品的定位接受評估，而非以英文為主、中文只是附加。M​OSS-Image 的訓練語料源自 ReLAION 衍生的資料，從約 50 億個樣本裁減至 30 億個，且未再進行進一步過濾，而版面格式的 項目 陣列接受的標籤為 文字、字元 或 物件——這套分類體系刻意讀來與書寫系統無關。

Tencent 的處境正好相反。中文是本土市場；產品資料將該模型描述為具備強大的中文理解能力；國際端點是排在國內端點之後的第二個介面，另行定價。Tencent 不必建立平衡的英文／中文基準測試，因為中文從來不是風險所在。它尚未做的是公布英文那一半的表現。

所以，一支要交付中文語言資產的團隊，一邊面對的是產品以中文為優先、卻又拿不出可公佈英文數據的廠商；另一邊面對的，則是刻意做到雙語均衡評估、卻沒有中國市場實績的廠商。這是兩種不同的信心，而且兩者都無法轉移到對方的市場。唯一能定奪的方法，就是用你自己的文案做一場正面對決，而這兩款模型中只有一款能讓你這麼做。把你實際交付的中文語串——產品名稱、法律條文、漢字這種隨手就能編出來的——放進本機的 MOSS-Image-SFT 跑一遍，再把同樣的語串透過 API 拿去對上 hy-image-v3.5-preview。這個實驗只花一個下午，卻能釐清的事情比兩家廠商的資料加起來還多。

成本、可及性，以及路線問題

成本比較一面倒向某一邊，可及性比較則一面倒向另一邊，這就是為什麼決策很少取決於帳單。

H​Y-Image 3.5 在國際上每張 2K 影像為 $0.024——每 1,000 張 $24，這與獨立看板上以每千張重新列出的數字相同，因此供應商費率與看板價格欄一致。在國內，每張 2K 影像為 ¥0.15，且僅就交付的輸出影像計費，因此被過濾或失敗的請求不會收費。每月十萬張影像即為 $2,400，並有文件記載的失敗模式不會計費。

MOSS-Image 沒有費率表。授權條款是 Apache 2.0，下載檔案約 27.2 GB，其中約 16.8 GB 分散在四個分片上的是凍結的 Qwen3.5-9B 文字編碼器，約 10.2 GB 分散在三個分片上的則是 transformer。5B 這個標籤只描述了擴散生成器本身，而編碼器才是下載內容中較大的一半。取樣預設是 flow-matching Euler、50 步，CFG 3.0、shift 5.0；預設的引導路徑每步需要兩次 transformer 前向傳遞，所以步數並不是乍看之下那麼省成本的設定。你的十萬張圖片，成本就是你的 GPU 時間成本，除此之外別無其他。

這兩條路線交會之處在於：它們都不是路由問題。MOSS-Image 不在 OrcaRouter 的型錄上——我們供應超過 200 個模型，而它不在其中——所以這個比較的權重那一半，取決於你自己的基礎設施。HY-Image 3.5 也不在型錄上，而它文件記載的路線是騰訊自家的 API 或騰訊自家的產品；騰訊沒有釋出 checkpoint、沒有本地授權，也沒有離線途徑，而現有的 ComfyUI 節點是呼叫該 API，而不是在它背後執行。對兩者最誠實的描述就是那個通泛的說法：透過廠商自家的 API，而對騰訊而言，還包括它的第一方工具。

路由器在這裡真正派得上用場的，其實是第三件事，也就是上面那個實驗。如果你想測試的是 MOSS-Image 的本地文字渲染與託管模型相較之下表現如何，而不是跟排行榜比高下，那麼真正見真章的就是託管模型這一邊；而讓一個自架檢查點與多個託管圖像模型在相同提示詞下同場較量，正是單一端點具備自動容錯移轉，且供應商定價表原封不動照搬所擅長的工作：一把金鑰取代四套整合，而且就算某家供應商出了狀況，整輪執行仍能跑完。GPT Image 2 和 Google 的圖像模型都在那個端點上；MOSS-Image 則不在其列。

在已發佈的評估版與已發佈的產品之間做選擇

如果你需要的具體功能，是對文字落點與長度的結構化控制，就選 MOSS-Image。版面配置 JSON 會明確指定每個文字元素的字串與位置，Apache 2.0 讓商業審查流程簡短，而 Base 檢查點是刻意保持未蒸餾的——模型卡指出並未套用任何後訓練，或對 CFG 等推論參數進行蒸餾——這是刻意留下一些東西讓 LoRA 訓練去發揮。要有心理準備：掛著它名字的兩項基準測試都是廠商自家的；最強的端到端版面配置數據，來自一條其提示詞規格化那一半是第三方模型、而非小型 OpenMOSS 模組的流程；而且編碼器佔了下載檔案的大部分。

如果你本週需要可呼叫的端點，如果你的素材是中文，或者如果你寧願買一個具有獨立編輯評比定位的模型，而不是一個附帶廠商基準測試的模型，那就選 H​Y-Image 3.5。進去之前要知道，這個識別碼是預覽版標記，沒有註明日期的後續取代版本；文字宣稱只是一句話，不是分數；而且關於這個模型唯一獨立測量到的，是一個盲測偏好平均值，它完全無法說明你畫面中未觸及的部分是否保持未觸及。

最能改變這件事的缺口，不是一個新模型。而是由第三方在不是 M​OSS-Image 的東西上跑 LongLongTextBench，或是由 T​encent 為預覽版公布一項文字渲染分數。兩者都不存在，而在其中之一出現之前，這項比較的務實版本，就是用一次下載對上一個 API 呼叫，再加上花一個下午拿你自己的字串來測——這比讀任何一方的表格，都是更好的時間運用。

像這次發布背後有紀錄的 AI 失敗與代理事件，都收錄於 OrcaRouter AI Incident Archive，其中每一筆條目都附有各自的來源、嚴重程度、信心評級與爭議標記。