MOSS-Image vs Ideogram 4.5: ¿Cuánto texto puedes poner realmente en una imagen?

Ambos modelos fueron construidos por personas que notaron que los generadores de imágenes son malos con las palabras. I​deogram 4.5, en vivo desde el 30 de septiembre de 2026, es la cuarta generación de un modelo cuya reputación entera se basa en la tipografía, y su documentación trata el texto como un elemento de primera clase con su propio campo en un prompt estructurado. M​OSS-Image, lanzado por OpenMOSS el 16 de octubre de 2026 como los checkpoints Apache 2.0 M​OSS-Image-Base y M​OSS-Image-SFT, adopta el mismo enfoque estructural — cada elemento de texto recibe una cadena literal y un cuadro delimitador — y luego apunta todo a un objetivo mucho más largo: pasajes literarios con una longitud media de aproximadamente 1.340 caracteres.

Esa diferencia de ambición es el eje sobre el que gira en realidad esta comparación, y la propia documentación de ambos proveedores es inusualmente franca al respecto. Ideogram te dice dónde está su techo. OpenMOSS afirma haberlo elevado. Una de esas dos afirmaciones puedes contrastarla con una cifra publicada; la otra puedes contrastarla con una etiqueta de advertencia publicada. Leerlas juntas dice más sobre el estado del renderizado de texto en los modelos de imagen que cualquiera de ellas por separado.

Los dos esquemas JSON, y por qué no son intercambiables

Ambos modelos aceptan un prompt estructurado en el que el texto no se describe, sino que se declara. La similitud es lo bastante cercana como para resultar engañosa, así que vale la pena ser precisos respecto a lo que cada uno conlleva en realidad.

El prompt JSON de Ideogram 4.5 —compartido con 4.0— asigna a cada elemento de texto su propio text campo que contiene la cadena literal, un desc campo que describe cómo debería verse, un color_palette y un bbox para su colocación exacta. El presupuesto de la paleta está documentado: hasta 16 colores hexadecimales para toda la imagen y hasta cinco por elemento.

El formato de diseño de MOSS-Image toma un objeto JSON como prompt: un summary bloque que contiene la escena y el estilo, y un items array donde cada elemento tiene una etiqueta de text, character o object, una descripción, una caja delimitadora, y — para elementos de texto — la cadena literal a renderizar. Las cajas están en bbox_format: "yxyx" en bbox_coord_space: "abs_centralized", lo que significa píxeles medidos desde el centro del lienzo.

• Dónde vive la cadena — I​deogram 4.5: un campo de texto por elemento. M​OSS-Image: la cadena literal en el elemento de texto, junto con una leyenda separada sobre cómo debería verse.

• Control del color — Ideogram 4.5: hasta 16 colores hexadecimales por imagen, cinco por elemento, como presupuesto de paleta documentado. MOSS-Image: sin campo de paleta documentado por elemento; el estilo se transmite en el resumen bloque.

• Color de la caja — I​deogram 4.5: un bbox campo sin convención de coordenadas publicada en el material que pudimos leer. M​OSS-Image: yxyx orden en píxeles absolutos relativos al centro, por lo que un lienzo de 1024² va de −512 a +512 en cada eje.

• Taxonomía de elementos — Ideogram 4.5: elementos de texto con una descripción. MOSS-Image: una etiqueta de tres vías que distingue texto, personaje y objeto, que es lo que necesita un sujeto recurrente.

Dos esquemas, ambos JSON, ninguno de los dos un superconjunto del otro, y ningún conversor publicado por nadie. Si tienes un pipeline que emite cualquiera de los dos formatos, el costo de dar soporte al otro es bastante trabajo — y la convención de coordenadas ausente del lado de Ideogram es un detalle que tendrías que deducir empíricamente.

Lo que los proveedores dicen sobre sus propios límites

Esta es la parte más interesante del enfrentamiento, y no es una comparación de benchmarks. Es una comparación de la disposición de dos empresas a describir dónde su modelo deja de funcionar.

La documentación de Ideogram lo dice claramente: el modelo maneja bien los títulos y los bloques cortos, y conviene añadir el cuerpo del texto o documentos completos más tarde en una herramienta de diseño. También dice que el texto sale con mayor precisión en inglés, y que los sistemas de escritura no latinos y las letras acentuadas pueden salir mal o no salir en absoluto. En cuanto a las fuentes, la indicación es que no se puede nombrar una —el modelo ha aprendido cómo se ven los estilos de texto, no una biblioteca de fuentes—, así que el enfoque documentado es describir el grosor, la forma y el tono en su lugar. Y la ruta JSON tiene su propio modo de fallo documentado: los prompts estructurados muy largos pueden perder sus elementos finales, así que lo más importante va primero.

Eso es un proveedor que les dice a sus clientes la forma de la herramienta. Leído como especificación, describe un modelo para titulares, etiquetas, textos de envase y bloques breves: tipografía de precisión, no publicación.

La postura publicada de OpenMOSS es una afirmación del tipo opuesto. Su benchmark principal, LongLongTextBench, consta de 240 tareas de renderizado de texto literario con una longitud objetivo media de 1.339,8 caracteres, repartidas a partes iguales entre inglés y chino. El problema que se combate no son cuatro palabras en un póster; es un muro de prosa renderizado de forma legible dentro de una imagen. La propia cifra del proveedor para eso en la cobertura de texto Mean-6 es 96,3, frente a 64,9 de Q​wen-Image-2512, con GPT Image 2 en 99,0 y N​ano Banana Pro en 96,6 en la misma tabla.

Entonces: un proveedor ha publicado un límite superior, y el otro ha publicado una puntuación que implica uno mucho más alto. Ninguno ha sido verificado por un tercero. Si estás eligiendo entre ellos para un trabajo específico, esta es la línea divisoria — y la forma honesta de interpretarlo es que la limitación de Ideogram está documentada y hoy es reproducible por cualquiera que lo intente, mientras que la mejora de OpenMOSS es una medición no reproducida de un solo proveedor. La limitación documentada vale más para tu planificación que la puntuación no reproducida, al menos hasta que alguien fuera del laboratorio realice la prueba.

Para qué sirve realmente cada uno

La cuestión del texto es dónde se superponen. Casi todo lo demás sobre ellos apunta en direcciones distintas.

Ideogram 4.5 se posiciona como un editor, no como un generador. Su comportamiento de edición precisa devuelve el resultado con el ancho y el alto de la propia imagen de origen, y los píxeles que la edición no cambió de forma significativa se copian exactamente en lugar de volver a sintetizarse; además, se ha demostrado con una fuente de 4.016 × 6.016 píxeles sin reducir antes el archivo. Las ediciones con máscara usan una máscara en blanco y negro: el negro marca lo que hay que cambiar y el blanco lo que hay que conservar; los valores intermedios se redondean al más cercano de los dos. El endpoint de edición acepta hasta cuatro imágenes de referencia, tres de ellas cuando también se proporciona una máscara; el endpoint de generación acepta hasta cinco imágenes de origen, y la primera se trata como la que se está editando. Los prompts admiten hasta 10.000 caracteres en la aplicación, y la calidad es una escala de cuatro niveles desde very_low hasta low, medium y high.

Un​a imagen MOSS-Image prioriza la generación. El proveedor describe la edición del pie de foto de un elemento o el desplazamiento de su cuadro como un ajuste de esa parte de la composición, y califica el comportamiento de experimental. Su superficie de control es el JSON de diseño anterior; su demostración publicada es la composición —carteles, infografías, interfaces— en lugar de la edición in situ de una fotografía existente. Su entrenamiento se ejecutó a 256 px durante 2,1 M de pasos, luego a 512 px durante 2,1 M y después a aproximadamente 1024² durante 0,31 M, con el presupuesto de tokens pasando de 576 → 3.072 → 8.192 a lo largo de esas etapas.

• Edición de una imagen existente — Ideogram 4.5: capacidad principal, salida fijada a las dimensiones de origen, los píxeles no modificados se copian. MOSS-Image: experimental, descrito como ajustar elementos de una composición que generaste.

• Texto largo en una imagen nueva — M​OSS-Image: la afirmación principal, con un benchmark del proveedor en objetivos medios de 1.339,8 caracteres. I​deogram 4.5: documentado como títulos y bloques cortos, con el cuerpo de texto dirigido a una herramienta de diseño.

• Pesos — M​OSS-Image: Apache 2.0, sin umbral de ingresos, unos 27,2 GB incluyendo un codificador de texto Qwen3.5-9B congelado. I​deogram 4.5: ninguno. El programa de pesos abiertos del proveedor cubre solo I​deogram 4.0, a $300 al mes por 10.000 imágenes autoalojadas en pesos cuantizados, explícitamente no en precisión completa.

• Precio — I​deogram 4.5: una escala de cinco peldaños desde $0.008 en Muy bajo hasta $0.22 en Alto con una imagen de origen. M​OSS-Image: sin tarifario; el costo es tu tiempo de GPU.

El número en un lado y el espacio en blanco en el otro

I​deogram no publicó ningún benchmark para 4.5. Las cifras puntuadas provienen de Artificial Analysis, que incluye el modelo en ambos tableros de imágenes bajo la configuración High. Leído el 16 de octubre de 2026: 1.063 Elo en edición de imágenes de 2.728 votos a $220 por 1.000 imágenes, y 1.019 Elo en texto a imagen de 2.421 muestras a $100 por 1.000. Los líderes del tablero de edición son GPT Image 2.5 Sunburst y Flare de O​penAI, con 1.198 y 1.177, por lo que el primer puesto se sitúa unos 135 Elo por encima de I​deogram 4.5, en un intervalo de 1.046 a 1.080 que se solapa con varios modelos a su alrededor.

Hay una advertencia que se aplica a la mera utilización de ese número para esta comparación, y no tiene que ver con el error de muestreo. Ambos tableros piden a los votantes que prefieran una imagen a otra. Ninguno pide a un votante que lea el texto de la imagen y juzgue si está escrito correctamente, en el sistema de escritura correcto o en el lugar correcto. Un Elo que mide la preferencia no es una medición de la tipografía, y la propia reputación de Ideogram en cuanto al texto no es algo que el tablero haya puntuado jamás. Así que el número independiente, por real que sea, no cubre la propiedad que más importa en este enfrentamiento.

MOSS-Image no tiene ningún número independiente de ningún tipo. Tiene un día de vida, y sus dos benchmarks se distribuyen con el lanzamiento y fueron creados por el proveedor. El segundo de ellos, RealLayoutArena, consta de 61 tareas de diseño —20 pósteres, 20 infografías, 21 interfaces— evaluadas por pares y ajustadas a una escala Bradley–Terry; MOSS-Image obtiene 1698,70 de Elo de extremo a extremo, por detrás de GPT Image 2 con 1844,35, y 1807,34 si se restringe al backbone bajo prompts mejorados compartidos, lo que lo sitúa en primer lugar. El pipeline que produjo la cifra de extremo a extremo utiliza GPT-6 para la especificación de prompts en el momento de la inferencia, según el informe técnico, lo que significa que el resultado de diseño de extremo a extremo más sólido conlleva una dependencia de un modelo ajeno.

Cómo elegirías, y qué tiene que ver un router con eso

Ideogram 4.5 es cerrado y se aloja desde la propia API de Ideogram, sus aplicaciones y una integración MCP. MOSS-Image es una descarga. Ninguno está en el catálogo de OrcaRouter —servimos más de 200 modelos y ninguno de estos está entre ellos—, así que ambos implican acudir al proveedor: en el caso de Ideogram, a través de su propia API y varias plataformas de terceros; en el de OpenMOSS, a los repositorios y al hardware que puedas apuntarles.

El punto en el que un enrutador se gana su lugar en una canalización de imágenes con mucho texto es el lado del costo, y la razón es específica de cómo fijan precios estos proveedores. La estructura escalonada de Ideogram está documentada como facturación por píxeles de salida resueltos —hasta 1024×1024 cuenta como 1K, por encima de eso como 2K—, lo que significa que el mismo nivel nominal puede costar cantidades distintas según lo que hayas solicitado. Cuando el precio de un proveedor es función de la solicitud en lugar de una tarifa plana, la aritmética de un lote de cien imágenes no es algo que quieras tener en la cabeza, y un catálogo que transmite los precios de lista del proveedor sin añadir nada es lo que mantiene el número moviéndose con el proveedor en lugar de quedarse rezagado respecto a él. Eso se aplica a los modelos alojados con los que compararías un checkpoint abierto, no a ninguno de los dos modelos de este artículo.

La parte que ningún proveedor dirá en voz alta

Pon las dos posiciones una al lado de la otra y aparece un patrón. Ideogram, que ha sido el modelo tipográfico durante años, te dice que pongas el cuerpo de texto en una herramienta de diseño. OpenMOSS, que tiene un día de vida, afirma haber resuelto el cuerpo de texto y se pone nota a sí mismo por ello.

Una de ellas es una empresa que describe un límite que ha alcanzado, y la otra es una empresa que describe un límite que cree haber superado. La primera afirmación es verificable por cualquiera que tenga un plan gratuito y una tarde. La segunda solo es verificable por las personas que crearon el benchmark, hasta que alguien descargue los pesos y lo intente. Los pesos son Apache 2.0, así que esa comprobación está disponible para cualquiera —lo que constituye el argumento más sólido a favor de MOSS-Image en esta comparación y no tiene nada que ver con su puntuación. No se puede auditar una afirmación sobre el comportamiento con textos largos de Ideogram 4.5 inspeccionando el modelo. El de MOSS-Image sí se puede auditar ejecutándolo.

Lo que ninguna de las dos partes ha publicado es una medición de deriva. Toda la propuesta de venta de Ideogram 4.5 es que las ediciones no corrompen las partes no tocadas de un fotograma, lo cual se demuestra en una fuente de 24,2 megapíxeles sin reducción de escala; ningún tercero lo ha puntuado, y ninguna prueba comparativa pide que la décima edición de una secuencia se compare con la primera. El comportamiento de edición de MOSS-Image está etiquetado como experimental por su propio proveedor y no ha sido medido por nadie. Dos modelos construidos en torno a la fidelidad textual, ninguno de los cuales cuenta con una puntuación de fidelidad publicada por alguien que no los esté vendiendo.

Así que la elección se reduce a con qué incertidumbre puedes vivir. Si tu trabajo son titulares, envases, textos de producto y bloques cortos, y está ligado a editar in situ una fotografía existente, I​deogram 4.5 es el modelo con el comportamiento documentado, las reglas de tamaño publicadas y una puntuación independiente, aunque no tipográfica — y un proveedor que te dice explícitamente cuándo recurrir mejor a una herramienta de diseño. Si tu trabajo son páginas compuestas con pasajes largos y quieres ser dueño del stack, M​OSS-Image te da los pesos, el esquema y el único benchmark que siquiera intenta abordar texto de formato largo, a condición de que lo aceptes como una afirmación hasta que lo reproduzcas. La primera es una compra más segura y la segunda es una comprobable, y cuál de las dos quieres no es algo que pueda decirte la página de ninguno de los dos proveedores.

Los fallos de IA documentados y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.