СТАТТЯ

Tencent Hy Image 3.5 Preview ($0.024/2K): четвертий маршрут bulk-каталогів у Bubble з BIAIG

Віталій Дорошенко Опубліковано

Hy Image 3.5 Preview (22.09.2026) дає sync 2K за заявленими US$0.024 за output-image — дешевше за Gemini Nano Banana 2 на rate card, але інший API і preview-ризики. Коли ставити primary/fallback у BIAIG і як не зламати ref/consistency під час bulk-run.

Навіщо зараз

У digest з’явився Tencent Hy Image 3.5 Preview з означеною ціною US$0.024 за 2K output-image на міжнародному TokenHub — поруч із уже описаними GPT Image 2.5, Gemini Nano Banana 2 і batch-знижками gpt-image-2. Для Bubble bulk-каталогів у BIAIG це четвертий кандидат у router, а не заміна всіх інших. Поруч із цим: Imagen 3 GA знято: міграція. Про це окремо: Batch Banana: FLUX 3 Image. Про це окремо: SenseNova U1 Pro і 8K.

Факти з Scout (без вигадок): реліз 2026-09-22; модель hy-image-v3.5-preview; sync endpoint v35-generation, протокол Messages (не single-prompt як Hy 3.0); до 20 reference images (≤20 MB); tiers 1K / 1.5K (default) / 2K, size до 4096×4096 для 4K; опційні session, assembled_history для multi-turn; URL результатів ~12 годин. Запуск (CNR / Tencent messaging): ¥0.15/2K mainland, US$0.024/image international, billing лише на успішний output (refs і failed — за заявою не тарифікуються). Hy-Image-3.0 на офіційній pricing-сторінці: US$0.032/image — але рядка Hy-Image-3.5-preview на rate card у цьому проході не було → digest $0.024/2K спирається на launch-канали; UNCERTAIN, доки TokenHub не оновить таблицю.

Unit economics поруч із «братами»

Порівняння лише для орієнтиру — різні API, resolution і input charges:

Маршрут Орієнтир за 2K-class output Коментар
Hy 3.5 Preview ~$0.024/output (launch) Sync 2K; preview lifecycle
Gemini 3.1 Flash Image (Nano Banana 2) ~$0.101 standard / ~$0.050 Batch (Google pricing) Інший контракт, batch latency
gpt-image-2 Batch $15/M output tokens (~50% vs standard); per-image 2K не 1:1 з Hy tier OpenAI-native edit flows

Висновок для economics: Hy виглядає дешевшим headline на 2K sync, якщо $0.024 підтвердиться. Реальний bulk-cost = outputs × rate + multi-turn edits (кожен успішний output — окремий bill) + негайний fetch у durable storage (Bubble/S3), бо provider URL тимчасові. Схожий розбір: Batch-знижка gpt-image-2: unit economics bulk-каталогів. Схожий розбір: Bubble.io і bubble.io price: який.

Коли додавати Hy 3.5 у BIAIG router

Primary має сенс, якщо:

  • job фіксує 2K masters і sync latency прийнятна;
  • ≤20 refs покривають ваш SKU/ad variant set;
  • consistency перевірена на ваших refs (vendor +30% vs Hy 3.0 — не незалежний e-commerce benchmark);
  • unit economics важливіші за typography/grounding, де Gemini або OpenAI вже виграють у ваших тестах.

Fallback (Gemini Nano Banana 2 / gpt-image-2, зокрема Batch):

  • text у креативах, grounding, існуючі OpenAI edit пайплайни;
  • потрібен Batch для margin при tolerable latency;
  • Hy повертає 422 (safety) або 429 (concurrency) — не ламати весь catalog run одним провайдером без retry policy.

Не ставити Hy «за замовчуванням everywhere»: preview — model string upstream може змінитися (Tencent просить не branch-ити на ньому); GA і pricing можуть зсунутися.

Primary / fallback без поломки ref/consistency

  1. Pin provider per SKU або per batch job, якщо pipeline тримає fixed ref set, seeds або ланцюг edits. Hy Messages + assembled_history не портується в GPT/Gemini request shapes.
  2. Не міняйте провайдера на середині bulk-run для одного variant lineage. Якщо primary впав — або ізольований retry job з re-validation (visual QA, color SKU), або fallback лише для нових SKU, не для half-generated серії.
  3. Один resolution tier на job: явно generate_max_pixels / size для 2K; default 1.5K знижує bill, але ламає consistency з іншими 2K routes.
  4. Після кожного Hy output: одразу зберегти файл у вашому storage; bulk, що покладається на permanent provider URL, через ~12h впаде.
  5. Multi-turn: рахуйте N успішних outputs, не «одну генерацію». Поруч із цим: OpenAI Batch API для images.

Практичний чеклист у Bubble

  • Окремий BIAIG route config: hy-image-v3.5-preview, endpoint v35-generation, messages payload.
  • Rule: provider lock = job_id або catalog_batch_id.
  • Fallback trigger: HTTP 429/5xx після N retries → queued secondary provider лише якщо QA дозволяє mixed lineage.
  • Cost guard: max_outputs_per_SKU + alert, якщо assembled_history > 1.
  • Відкриті питання: офіційний 3.5 row на TokenHub; intl 4K price; ваші benchmarks consistency vs Nano Banana 2 / gpt-image-2 на product/ad refs.

Чесно

Це methodology, не реклама Hy. Без ваших operator benchmarks на catalog refs ми не знаємо, чи $0.024 купує достатню consistency. Поки rate card не синхронізована з launch — закладайте pricing mismatch risk у margin моделі BIAIG.

Схожі статті

← Усі статті