← Voltar ao blog
Aicerca de 7 min de leitura

Hy Image 3.5, da Tencent, entra no top 10 de imagens do OpenRouter

Publicado 10 de nov. de 2026
Hy Image 3.5, da Tencent, entra no top 10 de imagens do OpenRouter

Role a lista de imagens do OpenRouter até o fim e você encontra um nome fora do padrão. Entre a terceira e a quarta variante do Nano Banana, do Google, está o Hy Image 3.5 Preview, da Tencent, com 1.59 bilhão de tokens processados em uma semana.

É o nono lugar. Nada mal para um modelo que estreou em 5 de outubro com quase nenhuma cobertura em inglês e que boa parte desta indústria teria dificuldade de localizar num mapa de fornecedores.

Os dados de ranking merecem leitura cuidadosa, porque são fáceis de interpretar errado. A lista de imagens do OpenRouter é ordenada por tokens, o que correlaciona com volume, não com qualidade. O Nano Banana 2 no topo, com 5.76B, está ali porque é o padrão que cem mil apps usam. O Hy Image, com 1.59B, está ali porque gente suficiente construindo pipeline o escolheu de propósito, a um preço que não é o mais barato da lista.

US$ 1.60 por milhão de tokens fica entre a faixa Flash do Google, a US$ 0.50, e o GPT Image 2.5 da OpenAI, a US$ 8. É o meio incômodo, e um modelo não se mantém no meio por acidente. Se mantém fazendo algo que a faixa barata não faz.

O que ele promete

O model card descreve um modelo de imagem unificado — um endpoint para texto-para-imagem, imagem-para-imagem e edição multiturno. As partes que merecem grifo:

Até vinte imagens de referência por requisição. É o número que salta. A maioria das APIs de imagem aceita de uma a quatro referências e implora para você não pedir mais. Vinte não é melhoria incremental; é outra categoria de tarefa. Catálogos de produto. Folhas de personagem. O sistema visual inteiro de uma marca, entregue numa chamada.

Saída de até 4K. Padrão para esta faixa em 2026, mas vale confirmar dado o preço.

Renderização de texto em chinês e inglês. Aqui o modelo fica interessante, e volto nisso.

Construído sobre a base Hy Image 3.0, mixture-of-experts de 80B. Uma base grande para os padrões da faixa Flash com que concorre, o que explica o preço e, se as alegações se sustentarem, a consistência de sujeito.

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

A promessa das vinte referências, na prática

Pense no que quebra quando você alimenta um modelo de imagem com muitas referências. Normalmente ele tira a média. Dê cinco fotos da mesma jaqueta e você recebe um borrão em forma de jaqueta, com a gola de uma e os botões de outra. Consistência de sujeito numa série é um problema genuinamente difícil, e é difícil por razão estrutural: o modelo precisa rastrear identidade através de sinais de condicionamento separados em vez de fundi-los num estilo único.

Vinte referências é o tipo de número que sugere que a Tencent resolveu isso no nível da arquitetura, não do prompt. A formulação do model card — “particularmente forte em consistência de sujeito entre edições, composição fiel ao prompt” — é exatamente a linguagem que um laboratório usa quando tem um benchmark interno mostrando uma diferença.

Se essa diferença sobrevive a teste independente é outra questão. Não há avaliação de terceiros do Hy Image 3.5 em que eu confie ainda. O que temos é uma posição em ranking baseada em uso, as alegações de um model card e o fato de o modelo ser um release de preview — o que é uma ressalva, não uma promessa.

A questão da renderização de texto

Tipografia latina dentro de imagem gerada virou requisito básico em algum ponto de 2025. Todo modelo sério já consegue renderizar uma placa legível, mais ou menos. Texto em chinês é outro problema, e é há uma década.

Glifos CJK são densos, têm milhares de membros, e a correção deles é binária de um jeito que as formas latinas não são. Um “a” levemente malformado ainda se lê como “a”. Um 粤 malformado é simplesmente o caractere errado. Os laboratórios ocidentais melhoraram aqui, mas as falhas ainda são comuns o bastante para quem faz design em chinês ter aprendido a compor o tipo depois.

A Tencent reivindicar os dois idiomas, a esse preço, é uma alegação voltada a um mercado específico: o enorme setor chinês de e-commerce e marketing, onde um pôster de produto com o caractere errado não é um artefato charmoso — é uma entrega rejeitada. É também por isso que o volume de tokens é plausível. Um modelo que corrige tipografia chinesa remove uma etapa inteira de pós-processamento de milhares de pipelines de produção.

Por que ele aparece num agregador ocidental

Tem uma história estrutural aqui que importa mais que qualquer modelo isolado.

Dois anos atrás, usar um modelo de imagem chinês era assim: você achava o console do fornecedor, aprendia o esquema de autenticação, aceitava que a latência seria pior fora da região e escrevia um cliente sob medida. Fricção suficiente para manter a maioria dos builders ocidentais fora.

O OpenRouter achatou isso. Uma chave, um schema, uma fatura. O resultado é que a qualidade de modelo agora viaja entre fronteiras mais ou menos instantaneamente — e o ranking virou a arena competitiva de fato. A Tencent não precisa de campanha de developer relations em San Francisco se consegue segurar o nono lugar numa lista que todo fundador confere.

É a mesma dinâmica que colocou o Seedream, da ByteDance, em quarto e quinto lugares na lista de imagens, e quatro modelos de vídeo diferentes da ByteDance no top ten de vídeo. A conversa sobre “qual país faz o melhor modelo” está praticamente encerrada; o que sobrou é uma grade de preço e capacidade que qualquer um pode inspecionar.

O que de fato é desconhecido

Várias coisas, e não são pequenas.

O preço por token de imagem é opaco. US$ 1.60 por milhão de tokens não diz nada até você saber quantos tokens custa uma imagem, o que depende de resolução e, muitas vezes, da contabilidade interna do fornecedor. A comparação com o “a partir de US$ 0.018 por imagem” do Seedream 5.0 Flash não é uma comparação que se faça só pela coluna de preço.

Preview quer dizer preview. O comportamento pode mudar, os endpoints podem ser reprecificados, e o modelo que você avaliou em novembro pode não ser o que você recebe em janeiro.

Licença e termos de dados não aparecem no model card. Para quem faz trabalho comercial com imagens de referência — que é o caso de uso inteiro das vinte entradas — essa é a pergunta que precisa de resposta antes do teste, não depois.

Como eu testaria

Não com um prompt bonito. Com aquilo em que ele diz ser bom.

Pegue doze fotos de um objeto em ângulos diferentes, coloque numa única requisição e peça o objeto numa cena em que ele nunca esteve. Depois repita com quatro referências e veja quanto piora. O delta entre as duas execuções diz se vinte entradas é capacidade real ou parâmetro inflado.

Segundo teste: um pôster com manchete em chinês e subtítulo em latim, no tamanho final, ampliado a 100%. Conte os caracteres errados. É o teste que decide se isso pertence a um pipeline de produção ou a uma pasta de demos.

O ranking diz que as pessoas já estão fazendo isso. Nono lugar numa lista em que os três primeiros são do Google e o quarto é da ByteDance não é posição de marketing — é muita gente de desenvolvimento decidindo, em silêncio, que a faixa de preço do meio vale a pena.

Artigos relacionados