MOSS-Image vs Ideogram 4.5: Quanto Texto Você Pode Realmente Colocar em uma Imagem

Ambos esses modelos foram criados por pessoas que perceberam que geradores de imagem são ruins com palavras. I​deogram 4.5, disponível desde 30 de setembro de 2026, é a quarta geração de um modelo cuja reputação inteira se baseia em tipografia, e sua documentação trata o texto como um elemento de primeira classe, com seu próprio campo em um prompt estruturado. M​OSS-Image, lançado pela OpenMOSS em 16 de outubro de 2026 como os checkpoints Apache 2.0 M​OSS-Image-Base e M​OSS-Image-SFT, adota a mesma abordagem estrutural — cada elemento de texto recebe uma string literal e uma caixa delimitadora — e então aponta o conjunto inteiro para um alvo muito mais longo: trechos literários com comprimento médio de aproximadamente 1.340 caracteres.

Essa diferença de ambição é o eixo em torno do qual esta comparação realmente gira, e a documentação dos próprios dois fornecedores é excepcionalmente franca a esse respeito. O Ideogram diz onde está o seu teto. A OpenMOSS afirma tê-lo elevado. Uma dessas duas afirmações pode ser conferida com um número publicado; a outra, com um rótulo de advertência publicado. Lê-las em conjunto revela mais sobre o estado da renderização de texto em modelos de imagem do que qualquer uma delas isoladamente.

Os dois esquemas JSON, e por que eles não são intercambiáveis

Ambos os modelos aceitam um prompt estruturado no qual o texto não é descrito, mas declarado. A semelhança é suficientemente próxima para ser enganadora, por isso vale a pena ser preciso quanto ao que cada um realmente carrega.

O prompt JSON do Ideogram 4.5 — compartilhado com o 4.0 — dá a cada elemento de texto o seu próprio text campo que contém a string literal, um desc campo que descreve como ele deve ficar, um color_palette, e um bbox para posicionamento exato. O orçamento da paleta está documentado: até 16 cores hexadecimais para a imagem inteira, e até cinco por elemento.

O formato de layout do M​OSS-Image usa um objeto JSON como prompt: um bloco summary que carrega a cena e o estilo, e um array de items onde cada elemento tem um rótulo de text, character ou object, uma legenda, uma caixa delimitadora, e — para elementos de texto — a string literal a ser renderizada. As caixas são bbox_format: "yxyx" em bbox_coord_space: "abs_centralized", ou seja, pixels medidos a partir do centro do canvas.

• Onde a string fica — Ideogram 4.5: um campo do tipo text por elemento. MOSS-Image: a string literal no item de texto, acompanhada de uma legenda separada de como ele deve aparecer.

• Controlo de cor — Ideogram 4.5: até 16 cores hexadecimais por imagem, cinco por elemento, como um orçamento de paleta documentado. MOSS-Image: nenhum campo de paleta por elemento documentado; o estilo é veiculado no resumobloco

• Cor da caixa — Ideogram 4.5: um campo bbox sem convenção de coordenadas publicada no material que conseguimos ler. MOSS-Image: yxyx ordem em pixels absolutos relativos ao centro, então uma tela 1024² vai de −512 a +512 em cada eixo.

• Taxonomia de elementos — Ideogram 4.5: elementos de texto com uma descrição. MOSS-Image: um rótulo tripartido que distingue texto, personagem e objeto, que é o que um sujeito recorrente precisa.

Dois esquemas, ambos JSON, nenhum deles sendo um superconjunto do outro, e nenhum conversor publicado por quem quer que seja. Se você tem um pipeline que emite qualquer um dos formatos, o custo de dar suporte ao outro é um verdadeiro trabalho — e a convenção de coordenadas ausente do lado do I​deogram é um detalhe que você teria de deduzir empiricamente.

O que os fornecedores dizem sobre seus próprios limites

Esta é a parte mais interessante do confronto, e não é uma comparação de benchmark. É uma comparação da disposição de duas empresas em descrever onde seu modelo deixa de funcionar.

A documentação do Ideogram diz claramente: o modelo lida bem com títulos e blocos curtos, e você deve adicionar o texto de corpo ou documentos completos depois, em uma ferramenta de design. Também diz que o texto sai com mais precisão em inglês, e que sistemas de escrita não latinos e letras acentuadas podem sair errados ou nem aparecer. Sobre fontes, a orientação é que você não pode nomear uma — o modelo aprendeu como os estilos de texto se parecem, não uma biblioteca de fontes —, então a abordagem documentada é descrever peso, forma e clima em vez disso. E o caminho JSON tem seu próprio modo de falha documentado: prompts estruturados muito longos podem perder seus elementos finais, então as coisas mais importantes vêm primeiro.

Trata-se de um fornecedor dizendo a seus clientes o formato da ferramenta. Lido como especificação, descreve um modelo para manchetes, rótulos, textos de embalagem e blocos curtos — tipografia de precisão, não publicação.

A posição publicada da OpenMOSS é o tipo oposto de alegação. Seu benchmark principal, LongLongTextBench, é composto por 240 tarefas de renderização de texto literário com comprimento-alvo médio de 1.339,8 caracteres, divididas igualmente entre inglês e chinês. O problema atacado não são quatro palavras em um pôster; é uma parede de prosa renderizada de forma legível dentro de uma imagem. O próprio número do fornecedor para isso em cobertura de texto Mean-6 é 96,3, contra 64,9 para o Qwen-Image-2512, com o GPT Image 2 em 99,0 e o Nano Banana Pro em 96,6 na mesma tabela.

Então: um fornecedor publicou um teto, e o outro publicou uma pontuação que implica um teto muito mais alto. Nenhum dos dois foi verificado por um terceiro. Se você está escolhendo entre eles para um trabalho específico, essa é a linha divisória — e a leitura honesta disso é que a limitação do Ideogram está documentada e é reproduzível hoje por qualquer um que tente, enquanto a melhoria do OpenMOSS é uma medição não reproduzida de um único fornecedor. A limitação documentada vale mais para o seu planejamento do que a pontuação não reproduzida, pelo menos até que alguém fora do laboratório execute o teste.

Para que cada um realmente serve

A questão do texto é onde eles se sobrepõem. Quase todo o resto sobre eles aponta em direções diferentes.

O Ideogram 4.5 é posicionado como um editor, não um gerador. Seu comportamento de edição precisa retorna o resultado na própria largura e altura da imagem de origem, com os pixels que a edição não alterou de forma significativa copiados exatamente em vez de ressintetizados, e foi demonstrado em uma fonte de 4.016 × 6.016 pixels sem reduzir o arquivo primeiro. Edições com máscara usam uma máscara em preto e branco — o preto marca o que alterar, o branco o que manter, e valores intermediários são arredondados para o mais próximo dos dois. O endpoint de edição aceita até quatro imagens de referência, três delas quando uma máscara também é fornecida; o endpoint de geração aceita até cinco imagens de origem, a primeira das quais é tratada como aquela que está sendo editada. Os prompts vão até 10.000 caracteres no aplicativo, e a qualidade é uma escala de quatro níveis, de very_low a low, medium e high.

A MOSS-Image prioriza a geração. O fornecedor descreve a edição da legenda de um elemento ou a movimentação de sua caixa como o ajuste dessa parte da composição, e classifica o comportamento como experimental. Sua superfície de controle é o JSON de layout acima; sua demonstração publicada é composição — pôsteres, infográficos, interfaces — em vez de edição no local de uma fotografia existente. Seu treinamento executou 256px por 2,1M de passos, depois 512px por 2,1M, depois aproximadamente 1024² por 0,31M, com o orçamento de tokens passando de 576 → 3.072 → 8.192 ao longo dessas etapas.

• Editar uma imagem existente — I​deogram 4.5: capacidade principal, saída fixada nas dimensões da origem, pixels não alterados copiados. M​OSS-Image: experimental, descrito como o ajuste de elementos de uma composição gerada por você.

• Texto longo em uma imagem nova — MOSS-Image: a alegação principal, com um benchmark de fornecedor em metas médias de 1.339,8 caracteres. Ideogram 4.5: documentado como títulos e blocos curtos, com o texto corrido direcionado a uma ferramenta de design.

• Pesos — M​OSS-Image: Apache 2.0, sem limite de receita, cerca de 27,2 GB incluindo um codificador de texto Qwen3.5-9B congelado. I​deogram 4.5: nenhum. O programa de pesos abertos do fornecedor abrange apenas o I​deogram 4.0, a $300 por mês para 10.000 imagens auto-hospedadas em pesos quantizados, explicitamente não em precisão total.

• Preço — Ideogram 4.5: uma escada de cinco degraus, de US$ 0,008 no Very Low a US$ 0,22 no High, com uma imagem de origem. MOSS-Image: sem tabela de preços; o custo é o tempo da sua GPU.

O número de um lado e o espaço em branco do outro

A Ideogram não publicou nenhum benchmark para o 4.5. Os números de pontuação vêm da Artificial Analysis, que inclui o modelo nos dois rankings de imagem sob a configuração High. Leitura em 16 de outubro de 2026: 1.063 Elo em edição de imagem a partir de 2.728 votos, a US$ 220 por 1.000 imagens, e 1.019 Elo em texto para imagem a partir de 2.421 amostras, a US$ 100 por 1.000. Os líderes do ranking de edição são GPT Image 2.5 Sunburst e Flare, da OpenAI, com 1.198 e 1.177, então o topo da classificação fica cerca de 135 Elo acima do Ideogram 4.5, em um intervalo de 1.046 a 1.080 que se sobrepõe a vários modelos ao redor.

Há uma ressalva que se aplica ao uso desse número para essa comparação, e ela não diz respeito a erro de amostragem. Os dois painéis pedem que os eleitores prefiram uma imagem à outra. Nenhum dos dois pede que um eleitor leia o texto na imagem e julgue se ele está grafado corretamente, no sistema de escrita certo ou no lugar certo. Um Elo que mede preferência não é uma medida de tipografia, e a própria reputação do Ideogram em relação a texto não é algo que o painel já tenha pontuado. Assim, o número independente, por mais real que seja, não cobre a propriedade que mais importa neste confronto.

M​OSS-Image não possui nenhum número independente de qualquer tipo. Tem um dia de vida, e ambos os seus benchmarks acompanham o lançamento e foram criados pelo fornecedor. O segundo deles, RealLayoutArena, é composto por 61 tarefas de design — 20 pôsteres, 20 infográficos, 21 interfaces — avaliadas em pares e ajustadas a uma escala Bradley–Terry; o M​OSS-Image obtém 1698,70 de Elo de ponta a ponta, atrás do GPT Image 2, com 1844,35, e 1807,34 quando restrito ao backbone sob prompts aprimorados compartilhados, o que é o primeiro lugar. O pipeline que produziu o número de ponta a ponta usa o G​PT-6 para especificação de prompt no momento da inferência, de acordo com o relatório técnico, o que significa que o resultado de layout de ponta a ponta mais forte carrega uma dependência de um modelo de terceiros.

Como você escolheria, e o que um roteador tem a ver com isso

I​deogram 4.5 é fechado e hospedado a partir da própria API da I​deogram, de seus aplicativos e de uma integração MCP. M​OSS-Image é um download. Nenhum dos dois está no catálogo da OrcaRouter — servimos mais de 200 modelos e nenhum desses está entre eles — então ambos significam recorrer ao fornecedor: no caso da I​deogram, por meio de sua própria API e de várias plataformas de terceiros; no caso da OpenMOSS, aos repositórios e a qualquer hardware que você consiga apontar para eles.

O lugar onde um roteador se paga em um pipeline de imagens com muito texto é o lado do custo, e o motivo é específico de como esses fornecedores precificam. A escada da Ideogram está documentada como cobrança por pixels de saída resolvidos — até 1024×1024 conta como 1K, acima disso como 2K — o que significa que o mesmo nível nominal pode custar valores diferentes dependendo do que você pediu. Quando o preço de um fornecedor é uma função da solicitação em vez de uma taxa fixa, a aritmética de um lote de cem imagens não é algo que você queira manter na cabeça, e um catálogo que repassa os preços de lista dos provedores sem nada acrescentado é o que mantém o número acompanhando o fornecedor, em vez de ficar atrás dele. Isso se aplica aos modelos hospedados com os quais você compararia um checkpoint aberto, não a nenhum dos dois modelos deste artigo.

A parte que nenhum fornecedor dirá em voz alta

Coloque as duas posições lado a lado e um padrão surge. O Ideogram, que tem sido o modelo tipográfico por anos, diz para você colocar seu texto corrido numa ferramenta de design. O OpenMOSS, que tem um dia de vida, afirma ter resolvido o texto corrido e se avalia com base nisso.

Uma delas é uma empresa que descreve um limite que atingiu, e a outra é uma empresa que descreve um limite que acredita ter ultrapassado. A primeira afirmação é verificável por qualquer pessoa com um plano gratuito e uma tarde. A segunda é verificável apenas pelas pessoas que criaram o benchmark, até que alguém baixe os pesos e experimente. Os pesos são Apache 2.0, pelo que essa verificação está disponível para qualquer pessoa — o que é o argumento mais forte a favor do M​OSS-Image nesta comparação e não tem nada a ver com a sua pontuação. Não é possível auditar uma afirmação sobre o comportamento de texto longo do I​deogram 4.5 inspecionando o modelo. É possível auditar a do M​OSS-Image executando-o.

O que nenhum dos dois lados publicou é uma medição de drift. A proposta de venda inteira do I​deogram 4.5 é que as edições não corrompem as partes não tocadas de um quadro, demonstrado em uma fonte de 24,2 megapixels sem redução de escala; nenhum terceiro pontuou isso, e nenhum benchmark pede que a décima edição de uma sequência seja comparada com a primeira. O comportamento de edição do M​OSS-Image é rotulado como experimental pelo próprio fornecedor e não é medido por ninguém. Dois modelos construídos em torno da fidelidade de texto, nenhum deles com uma pontuação de fidelidade publicada por alguém que não os esteja vendendo.

Portanto, a escolha se reduz a com qual incerteza você consegue conviver. Se o seu trabalho é com manchetes, embalagens, textos de produto e blocos curtos, e está ligado à edição in situ de uma fotografia existente, o Ideogram 4.5 é o modelo com comportamento documentado, regras de tamanho publicadas e uma pontuação independente, ainda que não tipográfica — e um fornecedor que lhe diz explicitamente quando você deve recorrer a uma ferramenta de design em vez disso. Se o seu trabalho é com páginas compostas com trechos longos e você quer controlar a stack, o MOSS-Image lhe oferece os pesos, o esquema e o único benchmark que sequer tenta texto de formato longo, com a condição de que você o aceite como uma alegação até reproduzi-lo. A primeira é uma compra mais segura e a segunda é uma compra testável, e qual delas você quer não é algo que a página de qualquer um dos fornecedores possa lhe dizer.

As falhas documentadas de IA e os incidentes com agentes por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.