MOSS-Image vs Ideogram 4.5：画像に実際どれだけのテキストを入れられるのか

これらのモデルはいずれも、画像生成器が文字を苦手としていることに気づいた人々によって作られた。I​deogram 4.5は2026年9月30日から提供されており、タイポグラフィの上にその評判のすべてを懸けるモデルの第4世代にあたる。そのドキュメントでは、テキストは構造化プロンプト内に独自のフィールドを持つ一級の要素として扱われている。M​OSS-Imageは2026年10月16日にOpenMOSSからApache 2.0のチェックポイントM​OSS-Image-BaseおよびM​OSS-Image-SFTとして公開されたもので、同じ構造的アプローチ——各テキスト要素にリテラル文字列とバウンディングボックスを与える——を採りながら、その全体をはるかに長い目標、すなわち平均約1,340文字の文学作品的な文章に向けている。

その志の高さの違いこそ、この比較が実際に軸を置いているところであり、両ベンダー自身のドキュメントはこの点について異例なほど率直だ。I​deogramは自らの上限がどこにあるかを教えてくれる。OpenMOSSはそれを引き上げたと主張している。その2つの主張のうち、一方は公表された数値に対して確認でき、もう一方は公表された警告ラベルに対して確認できる。両方を合わせて読むことは、画像モデルにおけるテキスト描画の現状について、どちらか一方だけを読むよりも多くのことを教えてくれる。

2つのJSONスキーマ、そしてなぜそれらは互換性がないのか

どちらのモデルも、テキストが記述されるのではなく宣言される構造化プロンプトを受け付ける。両者の類似性は誤解を招くほどに近いため、それぞれが実際に何を担っているのかを正確に述べておく価値がある。

Ideogram 4.5のJSONプロンプト — 4.0と共有 — では、各テキスト要素に専用のtextフィールド（リテラル文字列を保持）と、descフィールド（どのように見えるかを記述）、color_palette、およびbboxを正確な配置のために提供します。パレットの上限は文書化されています：画像全体で最大16色の16進カラー、要素ごとに最大5色です。

MOSS-Imageのレイアウト形式は、プロンプトとしてJSONオブジェクトを受け取ります。summaryブロックがシーンとスタイルを担い、items配列では各要素がtext、characterまたはobjectのいずれかのラベル、キャプション、バウンディングボックスを持ち、テキスト要素の場合はレンダリングするリテラル文字列も持ちます。ボックスはbbox_format: "yxyx"で、bbox_coord_space: "abs_centralized"として指定されます。つまり、キャンバスの中心から測定されたピクセルです。

• 文字列の格納場所 — I​deogram 4.5:text フィールド（要素ごとに1つ）。MOSS-Image: テキスト項目上のリテラル文字列と、その見た目を指定する別途のキャプション。

・カラー制御 — Ideogram 4.5：画像あたり最大16個の16進カラー、要素あたり5個、文書化されたパレット予算として。MOSS-Image：要素ごとのパレットフィールドは文書化されていません。スタイルはsummaryブロック

• ボックスの色 — I​deogram 4.5： bbox フィールドで、私たちが読むことのできた資料には座標規約が公開されていません。M​OSS-Image： yxyx 順の絶対中心相対ピクセルなので、1024² のキャンバスは各軸 −512 から +512 までになります。

• 要素の分類体系 — Ideogram 4.5：説明付きのテキスト要素。MOSS-Image：テキスト、キャラクター、オブジェクトを区別する3種類のラベルであり、これこそが繰り返し登場する被写体に必要なものである。

2つのスキーマ。どちらもJSONで、一方が他方のスーパーセットというわけでもなく、誰もコンバーターを公開していない。どちらかの形式を出力するパイプラインを持っているなら、もう一方をサポートするコストはかなりの手間になる——しかも、Ideogram側で欠けている座標規約は、経験的に導き出さなければならない細部だ。

ベンダーが自社の限界について語ること

これはこの対決で最も興味深い部分であり、ベンチマーク比較ではない。これは、自社のモデルがどこで機能しなくなるかを説明しようとする2社の意欲の比較である。

Ideogramのドキュメントは率直に述べている。モデルはタイトルや短いブロックはうまく扱えるが、本文や文書全体は後からデザインツールで追加すべきだと。また、テキストは英語で最も正確に出力され、非ラテン文字やアクセント付き文字は誤って出力されたり、まったく出なかったりすることがあるとも述べている。フォントについては、特定のフォント名は指定できないというのが指針だ。モデルはフォントライブラリではなく、テキストスタイルがどのように見えるかを学習しているため、文書化された方法は、代わりに太さ、形、雰囲気を記述することだ。そしてJSONパスには、それ自体が公表している失敗モードがある。非常に長い構造化プロンプトでは末尾の要素が失われることがあるため、最も重要なものを先に置く。

それはベンダーが顧客にツールの形を語っている。仕様として読めば、見出し、ラベル、パッケージコピー、短いブロックのためのモデルを述べている——出版ではなく、精密なタイポグラフィだ。

OpenMOSSが公表している立場は、逆の種類の主張だ。その看板ベンチマークであるLongLongTextBenchは、平均目標長1,339.8文字の文学的テキスト描画タスク240件で、英語と中国語に均等に分かれている。攻撃対象となっている問題は、ポスター上の4語ではない。画像内に読みやすく描画された文章の壁である。それに関するベンダー自身の数字は、Mean-6テキストカバレッジで96.3、Qwen-Image-2512の64.9に対して、同じ表でGPT Image 2が99.0、Nano Banana Proが96.6である。

つまり、一方のベンダーは上限を公表しており、もう一方はそれをはるかに上回ることを示唆するスコアを公表している。どちらも第三者による検証を受けていない。特定のタスクで両者を選ぶなら、ここが分かれ目だ。そして正直に読むなら、Ideogramの限界は文書化されており、今日、試す者なら誰でも再現できる一方、OpenMOSSの改善は単一ベンダーによる未再現の測定値にすぎない。文書化された限界は、少なくともラボの外の誰かがそのテストを実行するまでは、未再現のスコアよりもあなたの計画にとって価値がある。

それぞれが実際に何のためにあるのか

テキストの問いは、両者が重なる点だ。それ以外のほぼすべては、それぞれ別の方向を指している。

Ideogram 4.5は、生成器ではなくエディターとして位置づけられています。その precise-edit の挙動では、結果をソース画像自体の幅と高さで返し、編集によって実質的に変更されなかったピクセルは再合成されるのではなく正確にコピーされます。また、ファイルを先にダウンスケールせずに 4,016 × 6,016 ピクセルのソースで実証されています。マスク編集では白黒のマスクを使用します — 黒は変更する箇所、白は保持する箇所を示し、中間の値はどちらか近い方に丸められます。編集エンドポイントは最大4枚の参照画像を受け付け、マスクも指定する場合はそのうち3枚です。生成エンドポイントは最大5枚のソース画像を受け付け、最初の画像が編集対象として扱われます。プロンプトはアプリ内で最大10,000文字まで指定でき、品質はvery_lowからlow、medium、highまでの4段階です。

MOSS-Imageは生成優先です。ベンダーは、要素のキャプションを編集したり、そのボックスを移動したりすることを、構図のその部分を調整する行為だと説明し、その挙動を実験的と位置づけています。その制御面は上記のレイアウトJSONであり、公開されているデモは、既存の写真をその場で編集するものではなく、構図——ポスター、インフォグラフィック、インターフェース——です。そのトレーニングは256pxで210万ステップ、次に512pxで210万ステップ、その後およそ1024²で31万ステップ実行され、トークン予算はそれらの段階を通じて576 → 3,072 → 8,192へと移行しました。

• 既存の画像を編集する — I{{1}}deogram 4.5{{/1}}: 中核的な機能で、出力はソースの寸法に固定され、手を加えていないピクセルはそのままコピーされます。M{{2}}OSS-Image{{/2}}: 実験的で、生成した構図の要素を調整するものと説明されています。

• 新規生成画像での長文 — MOSS-Image: 見出しとなる主張で、ベンダーベンチマークでは平均1,339.8文字のターゲット。Ideogram 4.5: タイトルと短いブロック向けとして記載され、本文はデザインツールに委ねられている。

• 重み — MOSS-Image: Apache 2.0、収益しきい値なし、凍結された Qwen3.5-9B テキストエンコーダを含めて約 27.2 GB。Ideogram 4.5: なし。ベンダーのオープンウェイトプログラムは Ideogram 4.0 のみを対象としており、量子化された重みでセルフホスト画像 10,000 枚につき月額 300 ドル、完全精度は明示的に対象外。

• 価格 — Ideogram 4.5：Very Low の $0.008 から High の $0.22 までの5段のはしご、ソース画像付き。MOSS-Image：料金表なし。コストはあなたの GPU 時間です。

片側に数字、もう片側に空白

Ideogramは4.5のベンチマークを公表していない。スコアの数値はArtificial Analysisによるもので、同社はこのモデルを画像の両ボードでHigh構成として掲載している。2026年10月16日時点の数値は次のとおり。画像編集では2,728票からElo 1,063、1,000画像あたり220ドル。テキストから画像生成では2,421サンプルからElo 1,019、1,000枚あたり100ドル。編集ボードの首位はOpenAIのGPT Image 2.5 SunburstとFlareで、それぞれ1,198と1,177。つまり最上位はIdeogram 4.5を約135 Elo上回っており、その区間は1,046から1,080で、周辺の複数のモデルと重なっている。

そもそもその数値をこの比較に使うことには注意が必要で、それは標本誤差に関するものではない。どちらのボードも、投票者にある画像を別の画像より好ましいと判断するよう求めている。どちらも、画像内のテキストを読んで、それが正しく綴られているか、正しい文字体系で書かれているか、正しい位置にあるかを判断するよう投票者に求めてはいない。好みを測るEloはタイポグラフィの測定ではなく、I​deogram自身のテキストに関する評判も、そのボードがこれまで採点してきたものではない。したがって、その独立した数値は、それが現実のものであっても、この対戦で最も重要な特性をカバーしていない。

MOSS-Imageにはいかなる種類の独立した数値もない。登場から1日しか経っておらず、そのベンチマークは両方ともリリースに同梱され、ベンダーによって構築された。2つ目のRealLayoutArenaは61のデザインタスク — ポスター20、インフォグラフィック20、インターフェース21 — で、ペアワイズで判定され、Bradley–Terry尺度に当てはめられる。MOSS-Imageはエンドツーエンドで1698.70 Eloを記録し、GPT Image 2の1844.35に後れを取る。また、共有された強化プロンプト下でバックボーンに限定すると1807.34で、これは首位である。エンドツーエンドの数値を生成したパイプラインは、技術報告書によれば、推論時にプロンプト指定にGPT-6を使用している。つまり、最強のエンドツーエンドのレイアウト結果は、他社のモデルへの依存を伴っている。

どう選ぶか、そしてルーターがそれとどう関係するのか

Ideogram 4.5はクローズドで、Ideogram自身のAPI、同社のアプリ、MCP統合からホスティングされています。MOSS-Imageはダウンロード提供です。どちらもOrcaRouterのカタログにはありません — 当社は200以上のモデルを提供していますが、このどちらもその中には含まれていません — つまりどちらもベンダーのもとへ行く必要があります。Ideogramの場合は同社のAPIと複数のサードパーティプラットフォームを通じて、OpenMOSSの場合はリポジトリと、それらに向けられるハードウェアがあればそれを使って、ということになります。

テキストの多い画像パイプラインでルーターが元を取れるのはコスト面であり、その理由はこれらのベンダーの価格設定方法に固有です。Ideogramの料金段階は、解決済みの出力ピクセル単位で課金すると文書化されています — 最大1024×1024は1K、それを超えると2K — つまり、同じ名目上のティアでも、要求した内容によって費用が異なる可能性があります。ベンダーの価格設定が定額ではなくリクエストの関数である場合、100枚の画像バッチの計算を頭の中に置いておきたい人はいません。そして、カタログがプロバイダーの定価をそのまま通し、何も上乗せしないという点が、その数字をベンダーに遅れずに追従させるのです。それは、オープンチェックポイントを比較評価する対象となるホスト型モデルに当てはまり、本記事の2つのモデルのどちらにも当てはまりません。

どちらのベンダーも口に出しては言わない部分

二つの立場を並べてみると、あるパターンが浮かび上がる。長年タイポグラフィのモデルであり続けてきたI​deogramは、本文をデザインツールに入れろと言う。生まれてまだ一日のOpenMOSSは、本文を解決したと主張し、それについて自らを採点している。

そのうちの一方は、自社がぶつかった限界について説明している企業であり、もう一方は、自社が超えたと信じている限界について説明している企業だ。最初の主張は、無料プランと午後の時間さえあれば誰でも検証できる。二番目の主張は、ベンチマークを構築した人々にしか検証できない——誰かが重みをダウンロードして試すまでは。重みは Apache 2.0 なので、その確認は誰にでも可能だ。これがこの比較において MOSS-Image を支持する最も強い論拠であり、そのスコアとは何の関係もない。Ideogram 4.5 の長文挙動に関する主張は、モデルを検査しても監査できない。MOSS-Image の主張は、実行すれば監査できる。

どちらの側も公表していないのは、ドリフト測定値だ。Ideogram 4.5 の売り文句の核心は、編集がフレームの触れられていない部分を損なわないという点にあり、24.2メガピクセルのソースでダウンスケーリングなしに実証されている。しかし、それを採点した第三者はおらず、一連の編集における10回目の編集を1回目と比較するよう求めるベンチマークも存在しない。MOSS-Image の編集挙動は、自社ベンダーによって実験的と位置づけられており、誰にも測定されていない。テキスト忠実性を中心に構築された2つのモデルだが、どちらにも、それを販売している当事者以外による公表された忠実性スコアはない。

つまり、選択はどの不確実性と共存できるかに帰着する。あなたの仕事が見出し、パッケージ、製品コピー、短いブロックで、しかも既存の写真をその場で編集することと結びついているなら、Ideogram 4.5 は、文書化された挙動、公開されたサイズ規則、独立した（タイポグラフィに関するものではないにせよ）スコアを備えたモデルであり、さらにベンダーが、代わりにいつデザインツールに手を伸ばすべきかを明示してくれる。あなたの仕事が長い文章を含む組版されたページで、スタックを自分で所有したいなら、MOSS-Image は重み、スキーマ、そして長文テキストにまで取り組む唯一のベンチマークを提供する。ただし、それを再現するまでは主張として受け入れることが条件だ。前者はより安全な購入であり、後者は検証可能な購入だ。そして、そのどちらを望むかは、どちらのベンダーのページも教えてくれない。

このようなリリースの背景にある、文書化されたAI障害やエージェントのインシデントは、OrcaRouter AI Incident Archiveに収集されており、各エントリには独自の情報源、重大度、信頼度グレード、異議申し立てフラグが付いています。