MOSS-Image против Ideogram 4.5: сколько текста вы действительно можете поместить в картинку?

Обе эти модели были созданы людьми, которые заметили, что генераторы изображений плохо справляются со словами. I​deogram 4.5, доступная с 30 сентября 2026 года, — это четвёртое поколение модели, вся репутация которой держится на типографике, а в её документации текст рассматривается как полноправный элемент с собственным полем в структурированном промпте. M​OSS-Image, выпущенная OpenMOSS 16 октября 2026 года в виде контрольных точек Apache 2.0 M​OSS-Image-Base и M​OSS-Image-SFT, следует тому же структурному подходу — каждый текстовый элемент получает буквальную строку и ограничивающий прямоугольник — а затем нацеливает всё это на гораздо более длинную цель: литературные отрывки средней длиной примерно 1 340 символов.

Именно это различие в амбициях — та ось, вокруг которой на самом деле вращается это сравнение, и собственная документация обоих поставщиков на удивление откровенна на этот счёт. Ideogram говорит вам, где находится его потолок. OpenMOSS утверждает, что поднял его. Одно из этих двух утверждений можно проверить по опубликованному числу; другое — по опубликованному предупреждающему ярлыку. Прочитанные вместе, они говорят о состоянии отрисовки текста в графических моделях больше, чем любое из них по отдельности.

Две JSON-схемы и почему они не взаимозаменяемы

Обе модели принимают структурированный промпт, в котором текст не описывается, а декларируется. Сходство достаточно близко, чтобы вводить в заблуждение, поэтому стоит точно определить, что на самом деле несёт каждая из них.

JSON-промпт Ideogram 4.5 — общий с 4.0 — даёт каждому текстовому элементу собственное поле text, содержащее буквальную строку, поле desc, описывающее, как он должен выглядеть, color_palette и bbox для точного размещения. Бюджет палитры задокументирован: до 16 hex-цветов для всего изображения и до пяти на элемент.

Формат компоновки MOSS-Image принимает в качестве запроса объект JSON: summary — блок, несущий сцену и стиль, и items — массив, в котором каждый элемент имеет метку text, character или object, подпись, ограничивающую рамку и — для текстовых элементов — буквальную строку для отрисовки. Рамки задаются bbox_format: "yxyx" в bbox_coord_space: "abs_centralized", что означает пиксели, отсчитываемые от центра холста.

• Где находится строка — Ideogram 4.5: текстовое поле для каждого элемента. MOSS-Image: буквальная строка на текстовом элементе, вместе с отдельной подписью о том, как он должен выглядеть.

• Контроль цвета — Ideogram 4.5: до 16 hex-цветов на изображение, по пять на элемент, в рамках задокументированного бюджета палитры. MOSS-Image: задокументированного поля палитры для каждого элемента нет; стиль передаётся в блоке сводки.

• Цвет рамки — Ideogram 4.5: bbox — поле, для которого в материалах, которые мы могли прочитать, не опубликовано соглашение о координатах. MOSS-Image: yxyx — порядок в абсолютных пикселях относительно центра, так что холст 1024² простирается от −512 до +512 по каждой оси.

• Таксономия элементов — Ideogram 4.5: текстовые элементы с описанием. MOSS-Image: метка с тремя категориями, различающая текст, персонаж и объект, что как раз и нужно повторяющемуся субъекту.

Две схемы, обе — JSON, ни одна не является надмножеством другой, и никто не опубликовал конвертер. Если у вас есть конвейер, выдающий любой из этих форматов, стоимость поддержки другого — это реальный объём работы, а отсутствующее соглашение о координатах на стороне I​deogram — деталь, которую вам пришлось бы вывести эмпирически.

Что вендоры говорят о своих собственных ограничениях

Это самая интересная часть противостояния, и речь не о сравнении по бенчмаркам. Речь о сравнении того, насколько обе компании готовы описывать, где их модель перестаёт работать.

Документация Ideogram говорит об этом прямо: модель хорошо справляется с заголовками и короткими блоками, а основной текст или полные документы следует добавлять позже в инструменте дизайна. Там также сказано, что текст точнее всего получается на английском, а нелатинские письменности и буквы с диакритическими знаками могут выходить неправильно или вообще не появляться. Что касается шрифтов, руководство таково: нельзя указать конкретный шрифт — модель выучила, как выглядят текстовые стили, а не библиотеку шрифтов, — поэтому в документации рекомендуется вместо этого описывать насыщенность, форму и настроение. А у JSON-пути есть свой опубликованный режим отказа: очень длинные структурированные подсказки могут терять завершающие элементы, поэтому самое важное ставьте в начало.

Это вендор, который рассказывает своим клиентам, какова форма инструмента. Если читать это как спецификацию, здесь описана модель для заголовков, этикеток, текстов на упаковке и коротких блоков — точная типографика, а не издательское дело.

Опубликованная позиция OpenMOSS — это утверждение прямо противоположного рода. Его главный бенчмарк, LongLongTextBench, включает 240 задач по рендерингу литературных текстов со средней целевой длиной 1 339,8 символов, равномерно распределённых между английским и китайским языками. Проблема, которую они пытаются решить, — это не четыре слова на плакате; это стена прозы, разборчиво отрендеренная внутри изображения. Собственный показатель вендора по покрытию текста Mean-6 для этой задачи составляет 96,3 против 64,9 у Q​wen-Image-2512, при этом GPT Image 2 имеет 99,0, а N​ano Banana Pro — 96,6 в той же таблице.

Итак: один вендор опубликовал потолок, а другой опубликовал оценку, из которой следует гораздо более высокий потолок. Ни то, ни другое не проверено третьей стороной. Если вы выбираете между ними для конкретной задачи, это и есть та разделительная линия — и честный способ это прочитать таков: ограничение Ideogram задокументировано и воспроизводимо сегодня любым, кто попробует, тогда как улучшение OpenMOSS — это невоспроизведённое измерение одного вендора. Задокументированное ограничение для вашего планирования ценнее, чем невоспроизведённая оценка, по крайней мере до тех пор, пока кто-нибудь за пределами лаборатории не проведёт этот тест.

Для чего каждый из них на самом деле нужен

Вопрос по тексту заключается в том, где они пересекаются. Почти всё остальное, что связано с ними, указывает в разные стороны.

Ideogram 4.5 позиционируется как редактор, а не генератор. Его поведение точного редактирования возвращает результат с исходной шириной и высотой изображения, при этом пиксели, которые редактирование по существу не изменило, копируются точно, а не синтезируются заново, и это было продемонстрировано на исходном изображении размером 4 016 × 6 016 пикселей без предварительного уменьшения файла. Редактирование с маской принимает чёрно-белую маску — чёрный обозначает то, что нужно изменить, белый — то, что нужно сохранить, промежуточные значения округляются до ближайшего из двух. Эндпоинт редактирования принимает до четырёх референсных изображений, а три из них — когда также предоставлена маска; эндпоинт генерации принимает до пяти исходных изображений, первое из которых рассматривается как редактируемое. Промпты достигают 10 000 символов в приложении, а качество представляет собой четырёхступенчатую шкалу от very_low до low, medium и high.

MOSS-Image ориентирован в первую очередь на генерацию. Поставщик описывает редактирование подписи элемента или перемещение его рамки как настройку этой части композиции и помечает такое поведение как экспериментальное. Его интерфейс управления — это приведённый выше JSON компоновки; опубликованная демонстрация — это композиция (постеры, инфографика, интерфейсы), а не редактирование существующей фотографии на месте. Его обучение проходило при 256px в течение 2,1 млн шагов, затем при 512px в течение 2,1 млн, затем примерно при 1024² в течение 0,31 млн, а бюджет токенов изменялся 576 → 3 072 → 8 192 на этих этапах.

• Редактирование существующего изображения — Ideogram 4.5: ключевая возможность, вывод привязан к размерам исходного изображения, нетронутые пиксели копируются. MOSS-Image: экспериментальный, описывается как корректировка элементов композиции, которую вы создали.

• Длинный текст в новом изображении — MOSS-Image: утверждение из заголовка, с вендорским бенчмарком на средних целевых показателях в 1,339.8 символа. Ideogram 4.5: задокументирован как заголовки и короткие блоки, а основной текст направлен в инструмент дизайна.

• Веса — MOSS-Image: Apache 2.0, без порога выручки, около 27,2 ГБ, включая замороженный текстовый энкодер Qwen3.5-9B. Ideogram 4.5: нет. Программа открытых весов поставщика охватывает только Ideogram 4.0, при стоимости $300 в месяц за 10 000 самостоятельно размещённых изображений на квантованных весах, причём явно не полной точности.

• Цена — Ideogram 4.5: пятиступенчатая шкала от $0,008 при «очень низком» до $0,22 при «высоком» с исходным изображением. MOSS-Image: тарифной сетки нет; стоимость — это время вашего GPU.

Число с одной стороны и пустое место с другой

Ideogram не опубликовала ни одного бенчмарка для 4.5. Приведённые оценки взяты из Artificial Analysis, где модель представлена на обеих досках по изображениям в конфигурации High. Данные считаны 16 октября 2026 года: 1 063 Elo в редактировании изображений на основе 2 728 голосов при цене 220 $ за 1 000 изображений и 1 019 Elo в генерации изображений по тексту на основе 2 421 образца при цене 100 $ за 1 000. Лидерами доски редактирования являются GPT Image 2.5 Sunburst и Flare от OpenAI с 1 198 и 1 177, так что верхняя ступень находится примерно на 135 Elo выше Ideogram 4.5 — в интервале от 1 046 до 1 080, который пересекается с несколькими соседними моделями.

Есть оговорка, которая вообще относится к использованию этого числа для данного сравнения, и речь в ней не об ошибке выборки. Обе платформы просят голосующих предпочесть одно изображение другому. Ни одна из них не просит голосующего прочитать текст на изображении и судить, правильно ли он написан, той ли письменностью и в том ли месте. Elo, который измеряет предпочтение, — это не измерение типографики, а собственная репутация I​deogram в отношении текста — это не то, что эта платформа когда-либо оценивала. Так что независимое число, каким бы реальным оно ни было, не охватывает свойство, которое в этом противостоянии важнее всего.

M​OSS-Image не имеет независимых числовых показателей какого-либо рода. Ему всего один день, и оба его бенчмарка поставляются вместе с релизом и были созданы производителем. Второй из них, RealLayoutArena, — это 61 задача по дизайну — 20 постеров, 20 инфографик, 21 интерфейс — оцениваемых попарно и подогнанных под шкалу Брэдли–Терри; M​OSS-Image набирает 1698.70 Elo в сквозном режиме, уступая G​PT Image 2 с 1844.35, и 1807.34 при ограничении на бэкбон с общими улучшенными промптами, что является первым местом. Пайплайн, создавший сквозной показатель, использует G​PT-6 для задания промптов на этапе инференса, согласно техническому отчёту, а это значит, что сильнейший сквозной результат по компоновке несёт зависимость от чужой модели.

Как бы вы выбрали, и при чём тут роутер

Ideogram 4.5 закрыт и размещён через собственный API Ideogram, его приложения и интеграцию MCP. MOSS-Image — это загрузка. Ни того, ни другого нет в каталоге OrcaRouter — мы обслуживаем более 200 моделей, и ни одной из этих двух среди них нет — так что оба означают обращение к вендору: в случае Ideogram — через его собственный API и несколько сторонних платформ, в случае OpenMOSS — к репозиториям и любому оборудованию, на которое вы сможете их направить.

В насыщенном текстом конвейере изображений роутер оправдывает себя именно на стороне затрат, и причина кроется в том, как эти поставщики формируют цены. Тарифная сетка Ideogram, согласно документации, основана на оплате по фактическим выходным пикселям — до 1024×1024 включительно считается 1K, всё, что выше, — 2K, — а значит, один и тот же номинальный тариф может стоить по-разному в зависимости от того, что вы запросили. Когда ценообразование поставщика зависит от запроса, а не является фиксированной ставкой, арифметику партии из сотни изображений вряд ли захочется держать в голове, и каталог, который пропускает через себя прайс-листы поставщиков без каких-либо наценок — это то, что заставляет цифру следовать за поставщиком, а не отставать от него. Это относится к хостируемым моделям, с которыми вы бы сравнивали открытый чекпоинт, а не к любой из двух моделей, о которых идёт речь в этой статье.

Та часть, которую ни один из вендоров не озвучит.

Поставьте эти две позиции рядом — и проявится закономерность. Ideogram, который годами служил эталонной моделью типографики, советует набирать основной текст в дизайн-инструменте. OpenMOSS, которому всего один день, заявляет, что решил задачу основного текста, и сам себя оценивает по этому критерию.

Одна из них — компания, описывающая предел, до которого она дошла, а другая — компания, описывающая предел, который, по её мнению, она уже превзошла. Первое утверждение может проверить любой, у кого есть бесплатный тариф и один свободный день. Второе же могут проверить только те, кто создал этот бенчмарк, — до тех пор, пока кто-нибудь не скачает веса и не попробует. Веса распространяются под Apache 2.0, так что такая проверка доступна кому угодно, — и это самый сильный аргумент в пользу M​OSS-Image в этом сравнении, и он никак не связан с её оценкой. Нельзя проверить утверждение о поведении I​deogram 4.5 на длинных текстах, изучая саму модель. А утверждение о M​OSS-Image можно проверить, запустив её.

То, чего не опубликовала ни одна из сторон, — это измерение дрейфа. Вся суть коммерческого предложения Ideogram 4.5 в том, что правки не повреждают нетронутые части кадра, что продемонстрировано на исходнике в 24,2 мегапикселя без понижения разрешения; ни одна третья сторона этого не оценила, и ни один бенчмарк не требует, чтобы десятую правку в последовательности сравнивали с первой. Поведение MOSS-Image при редактировании помечено как экспериментальное его собственным производителем и никем не измерено. Две модели, построенные вокруг точности текста, причём ни у одной нет опубликованной оценки точности от кого-либо, кто их не продаёт.

Так что выбор сводится к тому, с какой неопределённостью вы готовы мириться. Если ваша задача — заголовки, упаковка, описания товаров и короткие блоки, и она сопряжена с редактированием существующей фотографии прямо на месте, Ideogram 4.5 — это модель с задокументированным поведением, опубликованными правилами размеров и независимой — пусть и не типографической — оценкой, а её производитель прямо говорит, когда вместо этого стоит воспользоваться инструментом для дизайна. Если ваша задача — свёрстанные страницы с длинными фрагментами, и вы хотите владеть всем стеком, MOSS-Image даёт вам веса, схему и единственный бенчмарк, который вообще берётся за длинноформатный текст, — при условии, что вы принимаете его как утверждение, пока не воспроизведёте. Первый вариант — более безопасная покупка, второй — проверяемый, и какой из них вам нужен, не скажет ни страница одного, ни страница другого производителя.

Задокументированные сбои ИИ и инциденты с агентами, стоящие за такими релизами, как этот, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг оспаривания.