MOSS-Image vs Ideogram 4.5: Berapa Banyak Teks yang Sebenarnya Bisa Anda Masukkan ke dalam Gambar?

Kedua model ini dibangun oleh orang-orang yang menyadari bahwa generator gambar buruk dalam hal kata-kata. Ideogram 4.5, yang aktif sejak 30 September 2026, adalah generasi keempat dari model yang seluruh reputasinya bertumpu pada tipografi, dan dokumentasinya memperlakukan teks sebagai elemen kelas utama dengan bidangnya sendiri dalam prompt terstruktur. MOSS-Image, yang dirilis oleh OpenMOSS pada 16 Oktober 2026 sebagai checkpoint Apache 2.0 MOSS-Image-Base dan MOSS-Image-SFT, mengambil pendekatan struktural yang sama — setiap elemen teks mendapatkan string literal dan kotak pembatas — lalu mengarahkan keseluruhannya ke target yang jauh lebih panjang: bagian-bagian sastra dengan panjang rata-rata sekitar 1.340 karakter.

Perbedaan dalam ambisi itulah poros yang sebenarnya menjadi dasar perbandingan ini, dan dokumentasi dari kedua vendor itu sendiri luar biasa terbuka soal itu. I​deogram memberi tahu Anda di mana plafonnya berada. OpenMOSS mengklaim telah menaikkannya. Salah satu dari dua pernyataan itu dapat Anda periksa terhadap angka yang dipublikasikan; yang satunya lagi dapat Anda periksa terhadap label peringatan yang dipublikasikan. Membaca keduanya bersama-sama memberi tahu Anda lebih banyak tentang keadaan rendering teks pada model gambar daripada membaca salah satunya saja.

Dua skema JSON tersebut, dan mengapa keduanya tidak dapat dipertukarkan

Kedua model menerima prompt terstruktur yang di dalamnya teks tidak dijelaskan melainkan dideklarasikan. Kemiripannya cukup dekat sehingga bisa menyesatkan, jadi ada baiknya kita tepat mengenai apa yang sebenarnya dibawa oleh masing-masing.

Prompt JSON I​deogram 4.5 — dibagikan dengan 4.0 — memberi setiap elemen tekstext field sendiri yang menyimpan string literal, desc field yang mendeskripsikan tampilannya, color_palette, dan bbox untuk penempatan yang tepat. Anggaran palet didokumentasikan: hingga 16 warna hex untuk keseluruhan gambar, dan hingga lima per elemen.

Format tata letak MOSS-Image mengambil objek JSON sebagai prompt: sebuah blok summary yang membawa adegan dan gaya, dan sebuah array items di mana setiap elemen memiliki label berupa text, character atau object, sebuah caption, sebuah bounding box, dan — untuk elemen teks — string literal yang akan dirender. Kotak-kotak adalah bbox_format: "yxyx" dalam bbox_coord_space: "abs_centralized", yang berarti piksel diukur dari pusat kanvas.

• Di mana string berada — Ideogram 4.5: sebuah teks bidang per elemen. MOSS-Image: string literal pada item teks, beserta caption terpisah untuk tampilannya.

• Kontrol warna — Ideogram 4.5: hingga 16 warna hex per gambar, lima per elemen, sebagai anggaran palet yang didokumentasikan. MOSS-Image: tidak ada bidang palet per elemen yang didokumentasikan; gaya dibawa dalam ringkasan blok.

• Warna kotak — Ideogram 4.5: sebuah bidang bbox tanpa konvensi koordinat yang dipublikasikan dalam materi yang dapat kami baca. MOSS-Image: yxyx urutan dalam piksel absolut relatif terhadap pusat, sehingga kanvas 1024² membentang dari −512 hingga +512 pada setiap sumbu.

• Taksonomi elemen — I​deogram 4.5: elemen teks dengan deskripsi. M​OSS-Image: label tiga arah yang membedakan teks, karakter dan objek, yang merupakan hal yang dibutuhkan oleh subjek yang berulang.

Dua skema, keduanya JSON, tidak ada yang merupakan superset dari yang lain, dan tidak ada konverter yang diterbitkan oleh siapa pun. Jika Anda memiliki pipeline yang menghasilkan salah satu format, biaya untuk mendukung format lainnya adalah pekerjaan yang sungguh besar — dan konvensi koordinat yang hilang di sisi Ideogram adalah detail yang harus Anda turunkan secara empiris.

Apa yang para vendor katakan tentang batasan mereka sendiri

Ini adalah bagian paling menarik dari pertarungan ini, dan ini bukan perbandingan tolok ukur. Ini adalah perbandingan kesediaan dua perusahaan untuk menjelaskan di mana model mereka berhenti berfungsi.

Dokumentasi Ideogram mengatakannya secara gamblang: model ini menangani judul dan blok pendek dengan baik, dan Anda sebaiknya menambahkan teks isi atau dokumen lengkap nanti di alat desain. Dokumentasi itu juga menyatakan bahwa teks paling akurat dihasilkan dalam bahasa Inggris, dan bahwa aksara non-Latin serta huruf beraksen dapat muncul keliru atau tidak muncul sama sekali. Soal font, panduannya adalah Anda tidak dapat menyebutkan nama font tertentu — model telah mempelajari seperti apa gaya teks, bukan pustaka font — jadi pendekatan yang didokumentasikan adalah mendeskripsikan ketebalan, bentuk, dan suasana sebagai gantinya. Dan jalur JSON memiliki mode kegagalan tersendiri yang telah dipublikasikan: prompt terstruktur yang sangat panjang dapat kehilangan elemen-elemen di bagian akhirnya, jadi hal-hal yang paling penting diletakkan lebih dulu.

Itu adalah vendor yang memberi tahu pelanggannya bentuk alat tersebut. Dibaca sebagai spesifikasi, ini menggambarkan model untuk judul, label, teks kemasan, dan blok pendek — tipografi presisi, bukan penerbitan.

Posisi yang dipublikasikan OpenMOSS adalah jenis klaim yang berlawanan. Benchmark utamanya, LongLongTextBench, terdiri dari 240 tugas rendering teks sastra dengan rata-rata panjang target 1.339,8 karakter, terbagi rata antara bahasa Inggris dan bahasa Mandarin. Masalah yang diserang bukanlah empat kata di poster; melainkan dinding prosa yang dirender secara terbaca di dalam gambar. Angka vendor itu sendiri untuk itu pada cakupan teks Mean-6 adalah 96,3, dibandingkan 64,9 untuk Q​wen-Image-2512, dengan GPT Image 2 pada 99,0 dan N​ano Banana Pro pada 96,6 dalam tabel yang sama.

Jadi: satu vendor telah menerbitkan batas atas, dan vendor lainnya telah menerbitkan skor yang menyiratkan batas atas yang jauh lebih tinggi. Tidak satu pun dari keduanya telah diperiksa oleh pihak ketiga. Jika Anda memilih di antara keduanya untuk pekerjaan tertentu, inilah garis pemisahnya — dan cara jujur untuk membacanya adalah bahwa keterbatasan I​deogram terdokumentasi dan dapat direproduksi hari ini oleh siapa pun yang mencobanya, sementara peningkatan OpenMOSS adalah pengukuran dari satu vendor yang belum direproduksi. Keterbatasan yang terdokumentasi lebih bernilai bagi perencanaan Anda daripada skor yang belum direproduksi, setidaknya sampai seseorang di luar lab menjalankan pengujian tersebut.

Untuk apa masing-masing sebenarnya

Pertanyaan dalam teks adalah di mana keduanya tumpang tindih. Hampir semua hal lain tentang keduanya mengarah ke arah yang berbeda.

I​deogram 4.5 diposisikan sebagai editor, bukan generator. Perilaku edit presisinya mengembalikan hasil pada lebar dan tinggi gambar sumbernya sendiri, dengan piksel yang tidak diubah secara berarti oleh edit disalin persis alih-alih disintesis ulang, dan hal ini telah didemonstrasikan pada sumber berukuran 4.016 × 6.016 piksel tanpa menurunkan skala file terlebih dahulu. Edit bertopeng menerima mask hitam-putih — hitam menandai apa yang harus diubah, putih apa yang harus dipertahankan, nilai di antaranya dibulatkan ke yang lebih dekat dari keduanya. Endpoint edit menerima hingga empat gambar referensi, tiga di antaranya saat mask juga disertakan; endpoint generasi menerima hingga lima gambar sumber, dan yang pertama diperlakukan sebagai gambar yang sedang diedit. Prompt dapat mencapai 10.000 karakter di aplikasi, dan kualitas adalah tangga empat tingkat dari very_low hingga low, medium dan high.

MOSS-Image mengutamakan generasi. Vendor menjelaskan penyuntingan keterangan elemen atau pemindahan kotaknya sebagai penyesuaian bagian komposisi tersebut, dan menyebut perilaku itu eksperimental. Antarmuka kontrolnya adalah JSON tata letak di atas; demonstrasi yang dipublikasikan adalah komposisi — poster, infografis, antarmuka — bukan pengeditan di tempat pada foto yang sudah ada. Pelatihannya dijalankan pada 256px selama 2,1 juta langkah, lalu 512px selama 2,1 juta langkah, lalu kira-kira 1024² selama 0,31 juta langkah, dengan anggaran token bergerak dari 576 → 3.072 → 8.192 di sepanjang tahapan tersebut.

• Mengedit gambar yang ada — Ideogram 4.5: kemampuan inti, keluaran terkunci pada dimensi sumber, piksel yang tidak disentuh disalin. MOSS-Image: eksperimental, dijelaskan sebagai menyesuaikan elemen dari komposisi yang Anda buat.

• Teks panjang dalam gambar baru — MOSS-Image: klaim utama, dengan tolok ukur vendor pada target rata-rata 1.339,8 karakter. Ideogram 4.5: didokumentasikan sebagai judul dan blok pendek, dengan teks isi diarahkan ke alat desain.

• Bobot — M​OSS-Image: Apache 2.0, tidak ada ambang pendapatan, sekitar 27,2 GB termasuk encoder teks Qwen3.5-9B yang dibekukan. I​deogram 4.5: tidak ada. Program bobot terbuka vendor hanya mencakup I​deogram 4.0, dengan biaya $300 per bulan untuk 10.000 gambar yang dihosting sendiri pada bobot terkuantisasi, secara eksplisit bukan presisi penuh.

• Harga — I​deogram 4.5: tangga lima tingkat dari $0,008 pada Sangat Rendah hingga $0,22 pada Tinggi dengan gambar sumber. M​OSS-Image: tidak ada daftar tarif; biayanya adalah waktu GPU Anda.

Angka di satu sisi dan bagian kosong di sisi lainnya

Ideogram tidak menerbitkan tolok ukur apa pun untuk 4.5. Angka yang diberi skor berasal dari Artificial Analysis, yang mencantumkan model ini di kedua papan gambar dalam konfigurasi High. Dibaca pada 16 Oktober 2026: 1,063 Elo pada penyuntingan gambar dari 2,728 suara dengan $220 per 1,000 gambar, dan 1,019 Elo pada teks ke gambar dari 2,421 sampel dengan $100 per 1,000. Pemimpin papan penyuntingan adalah GPT Image 2.5 Sunburst dan Flare dari O​penAI pada 1,198 dan 1,177, sehingga tingkat teratas berada sekitar 135 Elo di atas I​deogram 4.5, pada interval 1,046 hingga 1,080 yang tumpang tindih dengan beberapa model di sekitarnya.

Ada satu catatan kehati-hatian yang berlaku bahkan hanya untuk menggunakan angka itu dalam perbandingan ini, dan itu bukan soal galat sampling. Kedua papan peringkat meminta pemilih untuk lebih menyukai satu gambar dibandingkan gambar lain. Tidak satu pun meminta pemilih untuk membaca teks dalam gambar dan menilai apakah teks itu dieja dengan benar, dalam aksara yang tepat, atau di tempat yang tepat. Elo yang mengukur preferensi bukanlah pengukuran tipografi, dan reputasi Ideogram sendiri dalam hal teks bukanlah sesuatu yang pernah dinilai oleh papan peringkat itu. Jadi angka independen itu, meskipun nyata, tidak mencakup sifat yang paling penting dalam pertandingan ini.

M​OSS-Image tidak memiliki angka independen dalam bentuk apa pun. Usianya baru satu hari, dan kedua benchmark-nya disertakan dalam rilis ini dan dibuat oleh vendor. Yang kedua, RealLayoutArena, adalah 61 tugas desain — 20 poster, 20 infografis, 21 antarmuka — dinilai secara berpasangan dan dicocokkan ke skala Bradley–Terry; M​OSS-Image mencetak 1698.70 Elo secara end-to-end, di bawah GPT Image 2 pada 1844.35, dan 1807.34 jika dibatasi pada backbone di bawah prompt yang ditingkatkan bersama, yang menempati peringkat pertama. Pipeline yang menghasilkan angka end-to-end menggunakan G​PT-6 untuk spesifikasi prompt pada waktu inferensi, menurut laporan teknis, yang berarti hasil tata letak end-to-end terkuat membawa ketergantungan pada model pihak lain.

Bagaimana Anda akan memilih, dan apa hubungan router dengan itu

Ideogram 4.5 bersifat tertutup dan dihosting dari API milik Ideogram sendiri, aplikasi-aplikasinya, serta integrasi MCP. MOSS-Image adalah unduhan. Tidak satu pun dari keduanya ada di katalog OrcaRouter — kami menyediakan lebih dari 200 model dan tidak satu pun dari keduanya termasuk di antaranya — jadi keduanya berarti harus pergi ke vendor: dalam kasus Ideogram melalui API-nya sendiri dan beberapa platform pihak ketiga, dalam kasus OpenMOSS ke repositori dan perangkat keras apa pun yang dapat Anda arahkan ke sana.

Tempat router membuktikan nilainya dalam pipeline gambar yang sarat teks adalah sisi biaya, dan alasannya spesifik pada cara vendor-vendor ini menetapkan harga. Tangga harga Ideogram didokumentasikan menagih berdasarkan piksel keluaran yang dihasilkan — hingga 1024×1024 dihitung sebagai 1K, di atas itu sebagai 2K — yang berarti tier nominal yang sama dapat memakan biaya berbeda tergantung pada apa yang Anda minta. Ketika harga vendor merupakan fungsi dari permintaan alih-alih tarif tetap, aritmetika batch seratus gambar bukanlah sesuatu yang ingin Anda simpan di kepala, dan katalog yang meneruskan harga daftar penyedia tanpa tambahan apa pun adalah yang menjaga angka tetap bergerak bersama vendor alih-alih tertinggal di belakangnya. Itu berlaku untuk model yang dihosting yang akan Anda gunakan untuk membandingkan checkpoint terbuka, bukan untuk salah satu dari dua model dalam artikel ini.

Bagian yang tidak akan diucapkan terang-terangan oleh kedua vendor

Tempatkan kedua posisi itu berdampingan dan sebuah pola akan muncul. Ideogram, yang telah menjadi model tipografi selama bertahun-tahun, memberi tahu Anda untuk menempatkan teks isi Anda di alat desain. OpenMOSS, yang baru berusia satu hari, mengklaim telah menyelesaikan teks isi dan memberi skor pada dirinya sendiri untuk itu.

Salah satunya adalah perusahaan yang menggambarkan batas yang telah dicapainya, dan yang lainnya adalah perusahaan yang menggambarkan batas yang diyakininya telah dilampauinya. Pernyataan pertama dapat diverifikasi oleh siapa pun dengan paket gratis dan waktu satu sore. Pernyataan kedua hanya dapat diverifikasi oleh orang-orang yang membuat tolok ukur tersebut, sampai seseorang mengunduh bobotnya dan mencobanya. Bobotnya berlisensi Apache 2.0, jadi pemeriksaan itu tersedia bagi siapa pun — yang merupakan argumen terkuat untuk M​OSS-Image dalam perbandingan ini dan sama sekali tidak ada hubungannya dengan skornya. Anda tidak dapat mengaudit klaim tentang perilaku teks panjang I​deogram 4.5 dengan memeriksa modelnya. Anda dapat mengaudit klaim M​OSS-Image dengan menjalankannya.

Apa yang belum diterbitkan oleh kedua belah pihak adalah pengukuran drift. Seluruh proposisi jual Ideogram 4.5 adalah bahwa penyuntingan tidak merusak bagian bingkai yang tidak disentuh, yang didemonstrasikan pada sumber 24,2 megapiksel tanpa penurunan skala; tidak ada pihak ketiga yang memberi skor untuk itu, dan tidak ada benchmark yang mengharuskan suntingan kesepuluh dalam suatu rangkaian dibandingkan dengan yang pertama. Perilaku penyuntingan MOSS-Image dilabeli eksperimental oleh vendornya sendiri dan tidak diukur oleh siapa pun. Dua model yang dibangun di seputar kesetiaan teks, tidak satu pun memiliki skor kesetiaan yang diterbitkan oleh pihak mana pun yang tidak menjualnya.

Jadi pilihannya menyempit menjadi ketidakpastian mana yang dapat Anda terima. Jika pekerjaan Anda adalah judul, kemasan, teks produk, dan blok pendek, serta terkait dengan mengedit foto yang sudah ada secara langsung, I​deogram 4.5 adalah model dengan perilaku yang terdokumentasi, aturan ukuran yang dipublikasikan, dan skor independen—meskipun non-tipografis—serta vendor yang secara eksplisit memberi tahu Anda kapan harus menggunakan alat desain sebagai gantinya. Jika pekerjaan Anda adalah halaman yang disusun dengan bagian teks panjang dan Anda ingin memiliki stack-nya sendiri, M​OSS-Image memberi Anda bobot, skema, dan satu-satunya tolok ukur yang bahkan mencoba menangani teks bentuk panjang, dengan syarat Anda menerimanya sebagai klaim sampai Anda mereproduksinya. Yang pertama adalah pembelian yang lebih aman dan yang kedua adalah pilihan yang dapat diuji, dan mana di antara keduanya yang Anda inginkan bukanlah sesuatu yang dapat diberitahukan oleh halaman vendor mana pun.

Kegagalan AI yang terdokumentasi dan insiden agen di balik rilis seperti ini dikumpulkan dalam the OrcaRouter AI Incident Archive, tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda sengketa.