← ブログに戻る
Ai読了目安 12 分

テンセントのHy Image 3.5がOpenRouter画像版で9位、週1.59Bトークンの意味

公開日 2026年11月10日
テンセントのHy Image 3.5がOpenRouter画像版で9位、週1.59Bトークンの意味

OpenRouterの画像リーダーボードを下へスクロールしていくと、型に合わない名前に行き当たります。GoogleのNano Bananaの3番目と4番目の間に、テンセントのHy Image 3.5 Previewが座っていて、1週間で15億9000万トークンを処理しています。

9位です。10月5日に登場し、英語圏の報道がほとんどなかったモデルとしては悪くありません。この業界の多くの人が、ベンダーの地図に置こうとしても位置に困る名前です。

ランキングの数字は丁寧に読むべきです。誤読しやすいからです。OpenRouterの画像版はトークン順で、量とは相関しますが品質とは相関しません。首位のNano Banana 2が57億6000万なのは、10万のアプリが最初に手を伸ばす既定値だからです。Hy Imageの15億9000万は、パイプラインを組む人が意図して選んだ数で、しかもボード上で最安ではありません。

100万トークンあたり1.60ドルは、GoogleのFlash帯の0.50ドルと、OpenAIのGPT Image 2.5の8ドルの間です。気まずい真ん中で、モデルが偶然そこに留まることはありません。安い帯にできないことをやるから、そこに居られるのです。

うたっていること

モデルカードは統合型の画像モデルを説明しています。テキストから画像、画像から画像、複数ターンの編集を1つのエンドポイントで。下線を引くべき部分はこちらです。

1リクエストあたり最大20枚の参照画像。 ここが目を引きます。多くの画像APIは参照を1〜4枚受け取り、それ以上は頼まないでくれという顔をします。20枚は段階的な改善ではなく、タスクの種類が変わります。商品カタログ。キャラクターシート。ブランドの視覚システム一式を、1回の呼び出しで渡す。

最大4Kの出力。 2026年のこの帯では標準ですが、価格を考えると確認しておきたいところです。

中国語と英語の文字描画。 ここが面白いところで、後で戻ります。

80Bのmixture-of-expertsであるHy Image 3.0がベース。 競合するFlash帯のモデルと比べると大きいベースで、価格の説明になり、主張が正しければ被写体の一貫性の説明にもなります。

An overhead flat lay of reference photos in a grid beside a colour-accurate monitor

20枚の主張を、実務に置き換える

画像モデルに多数の参照を渡すと何が壊れるか考えてみてください。たいていは平均されます。同じジャケットの写真を5枚渡すと、襟は1枚目、ボタンは2枚目から取った、ジャケット形のぼやけが出てきます。シリーズを通した被写体の一貫性は本当に難しい問題で、しかも構造的に難しい。モデルは別々の条件信号の間で同一性を追跡しなければならず、1つのスタイルに溶かすわけにはいきません。

20枚という数字は、テンセントがこれをプロンプトの層ではなくアーキテクチャの層で解いたことをうかがわせます。モデルカードの言い回し、すなわち「編集を通した被写体の一貫性、プロンプトに忠実な構図に特に強い」は、社内ベンチマークで差が出ているラボが使う言葉そのものです。

その差が第三者テストに耐えるかは別問題です。Hy Image 3.5について、まだ信頼できる外部評価はありません。あるのは利用量に基づく順位と、モデルカードの主張と、これがpreview版だという事実です。previewは約束ではなく、逃げ道です。

文字描画という切り口

生成画像の中のラテン文字は、2025年のどこかで前提条件になりました。まともなモデルなら看板の文字を、だいたい読める形で描けます。中国語は別の問題で、10年来そうでした。

CJKの字形は密度が高く、何千字もあり、正しさが二分されます。ラテン文字とはそこが違う。少し崩れた「a」は「a」と読めますが、崩れた漢字はただの誤字です。欧米のラボも改善しましたが、失敗はまだ十分に多く、中国語のデザインを手がける人は文字を後から合成することを覚えています。

テンセントがこの価格で両言語をうたうのは、特定の市場に向けた主張です。巨大な中国のEコマースとマーケティングの領域では、文字が1つ間違った商品ポスターは趣のある作品ではなく、差し戻される成果物です。トークン量が説得力を持つ理由もそこにあります。中国語の組版を直すモデルは、何千もの制作パイプラインから後処理の工程を1つ丸ごと消します。

なぜ欧米のアグリゲータに載るのか

ここには、どのモデルよりも大事な構造の話があります。

2年前、中国の画像モデルを使う方法はこうでした。ベンダーのコンソールを探し、認証方式を覚え、域外からだとレイテンシが悪くなることを受け入れ、専用のクライアントを書く。欧米の開発者の大半を遠ざけるのに十分な摩擦でした。

OpenRouterがそれを平らにしました。キー1つ、スキーマ1つ、請求1つ。結果としてモデルの品質は国境をほぼ瞬時に越えるようになり、リーダーボードが実際の競技場になりました。テンセントはサンフランシスコで開発者向けのキャンペーンを打つ必要がありません。すべての創業者が見るボードで9位を保てればいい。

ByteDanceのSeedreamを画像版の4位と5位に、4つの動画モデルを動画のトップ10に入れたのと同じ力学です。「どの国が最高のモデルを作るか」という議論はほぼ終わりました。残っているのは、誰でも覗ける価格と能力のグリッドです。

本当に分かっていないこと

いくつかあり、どれも小さくありません。

画像のトークン課金は不透明です。 100万トークン1.60ドルと言われても、1枚の画像が何トークンかを知るまでは何も分かりません。それは解像度に依存し、多くの場合ベンダー内部の計算にも依存します。Seedream 5.0 Flashの「1枚0.018ドルから」との比較は、価格の列だけではできません。

previewはpreviewです。 挙動は変わり、エンドポイントの価格は変わり、11月に測ったモデルが1月に手に入るモデルとは限りません。

ライセンスとデータの条件はモデルカードからは見えません。参照画像を使って商用の仕事をする人、つまり20枚入力というユースケースそのものにとって、これは試す前に答えるべき問いです。試した後ではありません。

自分ならどう試すか

きれいなプロンプトでは試しません。得意だと主張しているもので試します。

1つの物体を角度を変えて12枚撮り、1回のリクエストに入れて、その物体が一度も置かれたことのない場面に置かせます。次に参照を4枚にして同じことをして、どれだけ悪くなるか見ます。2回の差が、20枚入力が本物の能力か、水増ししたパラメータかを教えてくれます。

2つ目のテスト。中国語の見出しとラテンのサブヘッドを持つポスターを、最終サイズで、100%に拡大して見ます。誤字を数える。これが、制作パイプラインに入れるべきかデモフォルダに入れるべきかを決めるテストです。

リーダーボードは、すでに多くの人がそうしていると言っています。上位3つがGoogle、4位がByteDanceのボードで9位というのは、マーケティング上の位置ではありません。多くの開発者が、静かに、中間の価格帯には払う価値があると判断した結果です。

関連記事