MOSS-Image vs. Ideogram 4.5: Wie viel Text kann man tatsächlich in ein Bild packen?

Beide dieser Modelle wurden von Leuten entwickelt, die bemerkt haben, dass Bildgeneratoren schlecht mit Wörtern umgehen. Ideogram 4.5, seit dem 30. September 2026 live, ist die vierte Generation eines Modells, dessen gesamter Ruf auf Typografie gründet, und seine Dokumentation behandelt Text als erstklassiges Element mit einem eigenen Feld in einem strukturierten Prompt. MOSS-Image, veröffentlicht von OpenMOSS am 16. Oktober 2026 als die Apache-2.0-Checkpoints MOSS-Image-Base und MOSS-Image-SFT, verfolgt denselben strukturellen Ansatz – jedes Textelement erhält eine wörtliche Zeichenkette und eine Bounding Box – und richtet das Ganze dann auf ein viel längeres Ziel aus: literarische Passagen mit einer durchschnittlichen Länge von rund 1.340 Zeichen.

Dieser Unterschied in der Ambition ist die Achse, um die sich dieser Vergleich tatsächlich dreht, und die Dokumentation der beiden Anbieter selbst ist ungewöhnlich offen darüber. Ideogram sagt dir, wo seine Obergrenze liegt. OpenMOSS behauptet, sie angehoben zu haben. Eine dieser beiden Aussagen lässt sich anhand einer veröffentlichten Zahl überprüfen; die andere anhand eines veröffentlichten Warnhinweises. Liest man sie zusammen, verraten sie mehr über den Stand der Textdarstellung in Bildmodellen als jede für sich allein.

Die beiden JSON-Schemata und warum sie nicht austauschbar sind

Beide Modelle akzeptieren einen strukturierten Prompt, in dem Text nicht beschrieben, sondern deklariert wird. Die Ähnlichkeit ist nah genug, um irreführend zu sein, daher lohnt es sich, genau zu sein, was jedes einzelne tatsächlich mit sich bringt.

Der JSON-Prompt von I​deogram 4.5 – gemeinsam mit 4.0 genutzt – gibt jedem Textelement sein eigenes text-Feld, das den wörtlichen String enthält, ein desc-Feld, das beschreibt, wie es aussehen soll, eine color_palette und eine bbox für die exakte Platzierung. Das Palettenbudget ist dokumentiert: bis zu 16 Hex-Farben für das gesamte Bild und bis zu fünf pro Element.

Das Layoutformat von MOSS-Image verwendet ein JSON-Objekt als Prompt: einen summary-Block, der Szene und Stil enthält, und ein items-Array, wobei jedes Element ein Label vom Typ text, character oder object, eine Beschriftung, eine Bounding Box und – bei Textelementen – die wörtliche Zeichenkette zum Rendern enthält. Boxen haben bbox_format: "yxyx" in bbox_coord_space: "abs_centralized", was bedeutet, dass Pixel vom Mittelpunkt der Leinwand aus gemessen werden.

• Wo der String lebt — I​deogram 4.5: ein Text-Feld pro Element. M​OSS-Image: der wörtliche String auf dem Text-Element, zusammen mit einer separaten Beschriftung dafür, wie es aussehen soll.

• Farbsteuerung — I​deogram 4.5: bis zu 16 Hex-Farben pro Bild, fünf pro Element, als dokumentiertes Palettenbudget. M​OSS-Image: kein dokumentiertes Palettenfeld pro Element; der Stil wird im Zusammenfassungsblock

• Farbe der Box — I​deogram 4.5: ein bbox-Feld, für das in dem Material, das wir lesen konnten, keine Koordinatenkonvention veröffentlicht wurde. M​OSS-Image: yxyx-Reihenfolge in absoluten, mittelpunktbezogenen Pixeln, sodass eine 1024²-Leinwand auf jeder Achse von −512 bis +512 reicht.

• Element-Taxonomie — Ideogram 4.5: Textelemente mit einer Beschreibung. MOSS-Image: ein Drei-Wege-Label, das Text, Charakter und Objekt, was genau das ist, was ein wiederkehrendes Subjekt braucht.

Zwei Schemata, beide in JSON, keines davon eine Obermenge des anderen, und kein Konverter, den irgendjemand veröffentlicht hätte. Wenn Sie eine Pipeline haben, die eines der beiden Formate ausgibt, ist die Unterstützung des anderen ein echtes Stück Arbeit – und die fehlende Koordinatenkonvention auf der Seite von I​deogram ist ein Detail, das Sie empirisch herleiten müssten.

Was die Anbieter über ihre eigenen Grenzen sagen

Das ist der interessanteste Teil des Duells, und es ist kein Benchmark-Vergleich. Es ist ein Vergleich der Bereitschaft zweier Unternehmen, zu beschreiben, wo ihr Modell nicht mehr funktioniert.

Die Dokumentation von Ideogram sagt es unverblümt: Das Modell kommt mit Titeln und kurzen Blöcken gut zurecht, und Fließtext oder vollständige Dokumente sollte man später in einem Design-Tool hinzufügen. Sie sagt außerdem, dass Text auf Englisch am genauesten herauskommt und dass nicht-lateinische Schriften und Buchstaben mit Akzenten falsch oder gar nicht herauskommen können. Bei Schriftarten lautet die Vorgabe, dass man keine benennen kann – das Modell hat gelernt, wie Textstile aussehen, nicht eine Schriftbibliothek –, deshalb ist laut Dokumentation stattdessen Gewicht, Form und Stimmung zu beschreiben. Und der JSON-Pfad hat seinen eigenen veröffentlichten Fehlermodus: Sehr lange strukturierte Prompts können ihre abschließenden Elemente verlieren, deshalb kommen die wichtigsten Dinge zuerst.

Das ist ein Anbieter, der seinen Kunden die Beschaffenheit des Werkzeugs darlegt. Als Spezifikation gelesen beschreibt es ein Modell für Überschriften, Etiketten, Verpackungstexte und kurze Blöcke – Präzisionstypografie, nicht Verlagswesen.

Die von OpenMOSS veröffentlichte Position ist eine Behauptung der entgegengesetzten Art. Der Vorzeige-Benchmark von OpenMOSS, LongLongTextBench, besteht aus 240 Aufgaben zum Rendern literarischer Texte mit einer durchschnittlichen Ziellänge von 1.339,8 Zeichen, gleichmäßig auf Englisch und Chinesisch verteilt. Das Problem, das angegangen wird, sind nicht vier Wörter auf einem Poster; es ist eine Wand aus Prosa, die lesbar in ein Bild gerendert wird. Die eigene Zahl des Anbieters dafür bei der Mean-6-Textabdeckung ist 96,3, gegenüber 64,9 für Q​wen-Image-2512, wobei GPT Image 2 bei 99,0 und N​ano Banana Pro bei 96,6 in derselben Tabelle liegen.

Also: Ein Anbieter hat eine Obergrenze veröffentlicht, und der andere hat einen Wert veröffentlicht, der auf eine viel höhere schließen lässt. Keine der beiden Angaben wurde von einer dritten Partei überprüft. Wenn Sie sich für eine bestimmte Aufgabe zwischen ihnen entscheiden, ist dies die Trennlinie – und die ehrliche Lesart ist, dass die Einschränkung von Ideogram heute dokumentiert und von jedem, der es versucht, reproduzierbar ist, während die Verbesserung von OpenMOSS eine nicht reproduzierte Messung eines einzelnen Anbieters ist. Die dokumentierte Einschränkung ist für Ihre Planung mehr wert als der nicht reproduzierte Wert, zumindest bis jemand außerhalb des Labors den Test durchführt.

Wofür jedes tatsächlich da ist

Die Frage des Textes ist, wo sie sich überschneiden. Fast alles andere an ihnen weist in unterschiedliche Richtungen.

Ideogram 4.5 wird als Editor positioniert, nicht als Generator. Sein Präzisionsbearbeitungsverhalten gibt das Ergebnis in der eigenen Breite und Höhe des Quellbilds zurück, wobei Pixel, die die Bearbeitung nicht wesentlich verändert hat, exakt kopiert statt neu synthetisiert werden, und es wurde an einer Quelle mit 4.016 × 6.016 Pixeln demonstriert, ohne die Datei vorher herunterzuskalieren. Maskierte Bearbeitungen nehmen eine Schwarz-Weiß-Maske entgegen – Schwarz markiert, was geändert werden soll, Weiß, was beibehalten wird; dazwischenliegende Werte werden auf den näheren der beiden gerundet. Der Bearbeitungs-Endpunkt nimmt bis zu vier Referenzbilder entgegen, drei davon, wenn zusätzlich eine Maske übergeben wird; der Generierungs-Endpunkt nimmt bis zu fünf Quellbilder entgegen, wobei das erste als das zu bearbeitende behandelt wird. Prompts umfassen in der App bis zu 10.000 Zeichen, und die Qualität ist eine vierstufige Leiter von very_low über low, medium und high.

M​OSS-Image ist generierungsorientiert. Der Anbieter beschreibt das Bearbeiten der Beschriftung eines Elements oder das Verschieben seiner Box als Anpassung dieses Teils der Komposition und bezeichnet das Verhalten als experimentell. Seine Steuerungsoberfläche ist das obige Layout-JSON; seine veröffentlichte Demonstration ist Komposition – Poster, Infografiken, Interfaces – statt In-Place-Bearbeitung einer vorhandenen Fotografie. Das Training lief 2,1 Mio. Schritte lang bei 256 px, dann 2,1 Mio. bei 512 px, dann rund 0,31 Mio. bei 1024², wobei sich das Token-Budget über diese Phasen von 576 → 3.072 → 8.192 bewegte.

• Bearbeitung eines vorhandenen Bildes — I​deogram 4.5: Kernfunktion, Ausgabe an die Ausgangsabmessungen gebunden, unberührte Pixel werden kopiert. M​OSS-Image: experimentell, beschrieben als Anpassung von Elementen einer von Ihnen generierten Komposition.

• Langtext in einem frischen Bild — MOSS-Image: die Schlagzeilenaussage, mit einem Anbieter-Benchmark bei durchschnittlich 1.339,8 Zeichen langen Zielen. Ideogram 4.5: dokumentiert als Titel und kurze Blöcke, wobei Fließtext an ein Design-Tool verwiesen wird.

• Gewichte — M​OSS-Image: Apache 2.0, keine Umsatzschwelle, etwa 27,2 GB einschließlich eines eingefrorenen Qwen3.5-9B-Textencoders. I​deogram 4.5: keine. Das Open-Weights-Programm des Anbieters deckt nur I​deogram 4.0 ab, für 300 $ pro Monat für 10.000 selbst gehostete Bilder auf quantisierten Gewichten, ausdrücklich nicht in voller Präzision.

• Preis — I​deogram 4.5: eine fünfstufige Leiter von 0,008 $ bei Sehr niedrig bis 0,22 $ bei Hoch mit einem Quellbild. M​OSS-Image: keine Preisliste; die Kosten sind deine GPU-Zeit.

Die Zahl auf der einen Seite und das Leerfeld auf der anderen

Ideogram hat für 4.5 keinen Benchmark veröffentlicht. Die bewerteten Werte stammen von Artificial Analysis, wo das Modell auf beiden Bild-Boards unter der High-Konfiguration geführt wird. Abgerufen am 16. Oktober 2026: 1.063 Elo bei der Bildbearbeitung aus 2.728 Stimmen bei 220 US-Dollar pro 1.000 Bilder und 1.019 Elo bei Text-zu-Bild aus 2.421 Stichproben bei 100 US-Dollar pro 1.000. Die Spitzenreiter des Editing-Boards sind GPT Image 2.5 Sunburst und Flare von OpenAI mit 1.198 bzw. 1.177, sodass die oberste Stufe etwa 135 Elo über Ideogram 4.5 liegt, in einem Intervall von 1.046 bis 1.080, das sich mit mehreren Modellen in seiner Umgebung überschneidet.

Es gibt einen Vorbehalt, der überhaupt für die Verwendung dieser Zahl für diesen Vergleich gilt, und er betrifft nicht den Stichprobenfehler. Beide Ranglisten bitten die Abstimmenden, ein Bild einem anderen vorzuziehen. Keine von beiden bittet einen Abstimmenden, den Text im Bild zu lesen und zu beurteilen, ob er korrekt geschrieben, in der richtigen Schrift oder an der richtigen Stelle steht. Ein Elo, das Präferenz misst, ist keine Messung von Typografie, und Ideograms eigener Ruf in Sachen Text ist nichts, was die Rangliste jemals bewertet hat. Die unabhängige Zahl deckt also, so real sie ist, nicht die Eigenschaft ab, auf die es in diesem Vergleich am meisten ankommt.

M​OSS-Image hat keinerlei unabhängige Kennzahl. Es ist einen Tag alt, und beide seiner Benchmarks werden mit dem Release ausgeliefert und wurden vom Anbieter erstellt. Sein zweiter, RealLayoutArena, umfasst 61 Design-Aufgaben — 20 Poster, 20 Infografiken, 21 Interfaces — paarweise bewertet und an eine Bradley–Terry-Skala angepasst; M​OSS-Image erzielt 1698,70 Elo End-to-End, hinter G​PT Image 2 mit 1844,35, und 1807,34 beschränkt auf das Backbone unter gemeinsamen erweiterten Prompts, was den ersten Platz bedeutet. Die Pipeline, die den End-to-End-Wert erzeugt hat, verwendet G​PT-6 für die Prompt-Spezifikation zur Inferenzzeit, laut dem technischen Bericht, was bedeutet, dass das stärkste End-to-End-Layout-Ergebnis auf das Modell eines anderen angewiesen ist.

Wie du wählen würdest und was ein Router damit zu tun hat

I​deogram 4.5 ist Closed-Source und wird über I​deograms eigene API, seine Apps und eine MCP-Integration gehostet. M​OSS-Image ist ein Download. Keines von beiden ist im OrcaRouter-Katalog – wir bieten mehr als 200 Modelle an, und keines von beiden ist darunter – also bedeutet beides, zum Anbieter zu gehen: im Fall von I​deogram über dessen eigene API und mehrere Drittanbieter-Plattformen, im Fall von OpenMOSS zu den Repositories und zu jeglicher Hardware, die man auf sie ansetzen kann.

Der Punkt, an dem ein Router in einer textlastigen Bildpipeline seinen Wert beweist, ist die Kostenseite, und der Grund dafür liegt speziell darin, wie diese Anbieter ihre Preise berechnen. Die Staffel von Ideogram ist dokumentiert als Abrechnung nach aufgelösten Ausgabepixeln — bis zu 1024×1024 zählt als 1K, darüber als 2K — was bedeutet, dass dieselbe nominale Stufe je nachdem, was angefordert wurde, unterschiedlich viel kosten kann. Wenn die Preisgestaltung eines Anbieters eine Funktion der Anfrage statt eines Pauschalpreises ist, ist die Arithmetik einer Charge von hundert Bildern nichts, was man im Kopf behalten möchte, und ein Katalog, der die Listenpreise der Anbieter durchreicht, ohne etwas hinzuzufügen, ist das, was die Zahl mit dem Anbieter mitlaufen lässt, statt hinterherzuhinken. Das gilt für die gehosteten Modelle, mit denen man einen offenen Checkpoint vergleichen würde, nicht für eines der beiden Modelle in diesem Beitrag.

Der Teil, den keiner der beiden Anbieter laut aussprechen wird

Legt man die beiden Positionen nebeneinander, zeigt sich ein Muster. Ideogram, seit Jahren das Typografie-Modell, sagt dir, deinen Fließtext in ein Design-Tool zu stecken. OpenMOSS, einen Tag alt, behauptet, den Fließtext gelöst zu haben, und bewertet sich selbst daran.

Eines davon ist ein Unternehmen, das eine Grenze beschreibt, die es erreicht hat, und das andere ist ein Unternehmen, das eine Grenze beschreibt, von der es glaubt, sie überschritten zu haben. Die erste Aussage kann jeder mit einem kostenlosen Tarif und einem Nachmittag überprüfen. Die zweite kann nur von den Leuten überprüft werden, die den Benchmark gebaut haben – bis jemand die Gewichte herunterlädt und es ausprobiert. Die Gewichte stehen unter Apache 2.0, also steht diese Überprüfung jedem offen – was das stärkste Argument für MOSS-Image in diesem Vergleich ist und nichts mit seiner Punktzahl zu tun hat. Man kann eine Behauptung über das Langtext-Verhalten von Ideogram 4.5 nicht durch Inspizieren des Modells prüfen. Die von MOSS-Image lässt sich prüfen, indem man es laufen lässt.

Was keine der beiden Seiten veröffentlicht hat, ist eine Driftmessung. Das ganze Verkaufsversprechen von I​deogram 4.5 ist, dass Bearbeitungen die unberührten Teile eines Bildes nicht beschädigen, demonstriert an einer 24,2-Megapixel-Quelle ohne Herunterskalierung; keine dritte Partei hat das bewertet, und kein Benchmark verlangt, dass die zehnte Bearbeitung in einer Sequenz mit der ersten verglichen wird. Das Bearbeitungsverhalten von M​OSS-Image wird von seinem eigenen Anbieter als experimentell bezeichnet und von niemandem gemessen. Zwei Modelle, die auf Texttreue ausgelegt sind, keines mit einer veröffentlichten Treuebewertung von jemandem, der sie nicht verkauft.

Die Wahl reduziert sich also darauf, mit welcher Unsicherheit Sie leben können. Wenn Ihre Aufgabe Überschriften, Verpackungen, Produkttexte und kurze Textblöcke umfasst und damit verbunden ist, ein vorhandenes Foto an Ort und Stelle zu bearbeiten, dann ist Ideogram 4.5 das Modell mit dem dokumentierten Verhalten, den veröffentlichten Größenregeln und einer unabhängigen – wenn auch nicht typografischen – Bewertung; dazu ein Anbieter, der Ihnen ausdrücklich sagt, wann Sie stattdessen zu einem Designwerkzeug greifen sollten. Wenn Ihre Aufgabe aus zusammengesetzten Seiten mit langen Passagen besteht und Sie den Stack selbst besitzen möchten, liefert Ihnen MOSS-Image die Gewichte, das Schema und den einzigen Benchmark, der überhaupt Langtext in Angriff nimmt – unter der Bedingung, dass Sie es als Behauptung akzeptieren, bis Sie es reproduziert haben. Das erste ist ein sicherer Kauf, das zweite ein überprüfbarer, und welche der beiden Sie möchten, kann Ihnen keine Herstellerseite sagen.

Die dokumentierten KI-Ausfälle und Agent-Vorfälle hinter Veröffentlichungen wie dieser werden gesammelt in dem OrcaRouter AI Incident Archive, wo jeder Eintrag eigene Quellen, Schweregrad, Konfidenzstufe und eine Kennzeichnung als strittig enthält.