MOSS-Image vs Ideogram 4.5: Hur mycket text kan du egentligen få in i en bild?

Båda dessa modeller byggdes av människor som hade lagt märke till att bildgeneratorer är dåliga på ord. I​deogram 4.5, i drift sedan den 30 september 2026, är den fjärde generationen av en modell vars hela rykte vilar på typografi, och dess dokumentation behandlar text som ett förstklassigt element med ett eget fält i en strukturerad prompt. M​OSS-Image, som släpptes av OpenMOSS den 16 oktober 2026 som Apache 2.0-checkpointarna M​OSS-Image-Base och M​OSS-Image-SFT, använder samma strukturella angreppssätt – varje textelement får en bokstavlig sträng och en avgränsningsruta – och riktar sedan in hela saken mot ett mycket längre mål: litterära passager med en medellängd på omkring 1 340 tecken.

Den där skillnaden i ambition är den axel som den här jämförelsen faktiskt hänger på, och de två leverantörernas egen dokumentation är ovanligt uppriktig om det. Ideogram berättar var dess tak ligger. OpenMOSS påstår sig ha höjt det. Ett av dessa två påståenden kan du kontrollera mot en publicerad siffra; det andra kan du kontrollera mot en publicerad varningsetikett. Att läsa dem tillsammans säger dig mer om läget för textrendering i bildmodeller än någon av dem var för sig.

De två JSON-schemana, och varför de inte är utbytbara

Båda modellerna accepterar en strukturerad prompt där text inte beskrivs utan deklareras. Likheten är tillräckligt nära för att vara vilseledande, så det är värt att vara precis om vad var och en faktiskt förmedlar.

Ideogram 4.5:s JSON-prompt – delad med 4.0 – ger varje textelement sitt eget textfält som håller den bokstavliga strängen, ett descfält som beskriver hur det ska se ut, en color_palette och en bbox för exakt placering. Palettbudgeten är dokumenterad: upp till 16 hexfärger för hela bilden, och upp till fem per element.

Layoutformatet för MOSS-Image tar ett JSON-objekt som prompt: ett summary-block som innehåller scenen och stilen, och en items-array där varje element har en etikett av text, character eller object, en bildtext, en bounding box och – för textelement – den litterala strängen som ska renderas. Boxar är bbox_format: "yxyx" i bbox_coord_space: "abs_centralized", vilket betyder pixlar uppmätta från canvasens mitt.

• Var strängen finns — Ideogram 4.5: ett textfält per element. MOSS-Image: den bokstavliga strängen på textobjektet, tillsammans med en separat bildtext för hur den ska se ut.

• Färgkontroll — I​deogram 4.5: upp till 16 hexfärger per bild, fem per element, som en dokumenterad palettbudget. M​OSS-Image: inget dokumenterat palettfält per element; stilen ligger i sammanfattningsblocket.

• Färgen på rutan — Ideogram 4.5: ett bboxfält utan någon koordinatkonvention publicerad i det material vi kunde läsa. MOSS-Image: yxyxordning i absoluta pixlar relativt mitten, så en 1024²-canvas sträcker sig från −512 till +512 på varje axel.

• Elementtaxonomi — Ideogram 4.5: textelement med en beskrivning. MOSS-Image: en tredelad etikett som skiljer mellan text, karaktär och objekt, vilket är vad ett återkommande motiv behöver.

Två scheman, båda JSON, inget av dem en övermängd av det andra, och ingen konverterare publicerad av någon. Om du har en pipeline som producerar endera formatet är kostnaden för att stödja det andra en rejäl arbetsinsats — och den saknade koordinatkonventionen på I​deograms sida är en detalj som du skulle behöva härleda empiriskt.

Vad leverantörerna säger om sina egna begränsningar

Det här är den mest intressanta delen av matchningen, och det är inte en benchmarkjämförelse. Det är en jämförelse av två företags vilja att beskriva var deras modell slutar fungera.

Ideograms dokumentation säger det rakt ut: modellen hanterar titlar och korta block bra, och du bör lägga till brödtext eller hela dokument senare i ett designverktyg. Den säger också att text blir mest korrekt på engelska, och att icke-latinska skriftsystem och accenterade bokstäver kan bli fel eller inte komma med alls. När det gäller typsnitt är vägledningen att du inte kan namnge ett — modellen har lärt sig hur textstilar ser ut, inte ett typsnittsbibliotek — så det dokumenterade tillvägagångssättet är att i stället beskriva vikt, form och känsla. Och JSON-vägen har sitt eget publicerade felmönster: mycket långa strukturerade prompter kan tappa sina avslutande element, så det viktigaste kommer först.

Det är en leverantör som berättar för sina kunder hur verktyget är utformat. Läst som en specifikation beskriver den en modell för rubriker, etiketter, förpackningstext och korta block – precisionstypografi, inte publicering.

OpenMOSS publicerade ståndpunkt är den motsatta typen av påstående. Dess främsta benchmark, LongLongTextBench, består av 240 uppgifter för återgivning av litterär text med en genomsnittlig mållängd på 1 339,8 tecken, jämnt fördelade mellan engelska och kinesiska. Problemet som angrips är inte fyra ord på en affisch; det är en vägg av prosa som återges läsbart inuti en bild. Leverantörens egen siffra för det på Mean-6-texttäckning är 96,3, mot 64,9 för Q​wen-Image-2512, med GPT Image 2 på 99,0 och N​ano Banana Pro på 96,6 i samma tabell.

Så: en leverantör har publicerat ett tak, och den andra har publicerat en poäng som antyder ett mycket högre tak. Ingen av dem har kontrollerats av en tredje part. Om du väljer mellan dem för ett specifikt jobb är detta skiljelinjen — och det ärliga sättet att tolka det är att Ideograms begränsning är dokumenterad och reproducerbar idag av alla som försöker, medan OpenMOSS:s förbättring är en enda leverantörs icke-reproducerade mätning. Den dokumenterade begränsningen är värd mer för din planering än den icke-reproducerade poängen, åtminstone tills någon utanför labbet kör testet.

Vad var och en faktiskt är till för

Textfrågan är var de överlappar. Nästan allt annat hos dem pekar åt olika håll.

Ideogram 4.5 positioneras som en redigerare, inte en generator. Dess precise-edit-beteende returnerar resultatet i källbildens egen bredd och höjd, där pixlar som redigeringen inte väsentligt ändrade kopieras exakt i stället för att återsyntetiseras, och det har demonstrerats på en källbild på 4 016 × 6 016 pixlar utan att först skala ned filen. Maskerade redigeringar tar en svartvit mask — svart markerar vad som ska ändras, vitt vad som ska behållas, mellanliggande värden avrundas till det närmaste av de två. Redigeringsslutpunkten tar upp till fyra referensbilder, tre av dessa när en mask också tillhandahålls; genereringsslutpunkten tar upp till fem källbilder, varav den första behandlas som den som redigeras. Promptar kan vara upp till 10 000 tecken i appen, och kvaliteten är en fyrgradig stege från very_low genom low, medium och high.

M​OSS-Image är först och främst generativ. Leverantören beskriver redigering av ett elements bildtext eller att flytta dess box som att justera den delen av kompositionen, och betecknar beteendet som experimentellt. Dess styryta är layout-JSON:en ovan; dess publicerade demonstration är komposition — affischer, infografik, gränssnitt — snarare än redigering på plats av ett befintligt fotografi. Dess träning kördes vid 256px under 2,1M steg, sedan 512px under 2,1M, sedan ungefär 1024² under 0,31M, med tokenbudgeten som gick från 576 → 3 072 → 8 192 över dessa stadier.

• Redigera en befintlig bild — Ideogram 4.5: kärnfunktion, utdata låst till källdimensioner, orörda pixlar kopieras. MOSS-Image: experimentellt, beskrivs som att justera element i en komposition som du har genererat.

• Lång text i en ny bild — MOSS-Image: rubrikpåståendet, med ett leverantörsbenchmark vid 1 339,8 tecken i genomsnittliga mål. Ideogram 4.5: dokumenterad som titlar och korta block, med brödtext riktad till ett designverktyg.

• Vikter — MOSS-Image: Apache 2.0, ingen intäktströskel, cirka 27,2 GB inklusive en fryst Qwen3.5-9B-textkodare. Ideogram 4.5: inga. Leverantörens program för öppna vikter omfattar endast Ideogram 4.0, för 300 USD i månaden för 10 000 självhostade bilder på kvantiserade vikter, uttryckligen inte i full precision.

• Pris — Ideogram 4.5: en femstegsstege från $0,008 vid Mycket låg till $0,22 vid Hög med en källbild. MOSS-Image: ingen prislista; kostnaden är din GPU-tid.

Siffran på ena sidan och det tomma på den andra

I​deogram publicerade ingen benchmark för 4.5. De poängsatta siffrorna kommer från Artificial Analysis, som har modellen på båda bildtavlorna under High-konfigurationen. Avläst den 16 oktober 2026: 1 063 Elo för bildredigering från 2 728 röster till $220 per 1 000 bilder, och 1 019 Elo för text-till-bild från 2 421 prover till $100 per 1 000. Ledarna på redigeringstavlan är O​penAI:s GPT Image 2.5 Sunburst och Flare på 1 198 respektive 1 177, så topplaceringen ligger cirka 135 Elo över I​deogram 4.5, inom ett intervall på 1 046 till 1 080 som överlappar flera modeller runt omkring.

Det finns en varning som gäller för att överhuvudtaget använda den siffran för den här jämförelsen, och den handlar inte om urvalsfel. Båda panelerna ber väljare att föredra en bild framför en annan. Ingen av dem ber en väljare att läsa texten i bilden och bedöma huruvida den är rättstavad, i rätt skrift eller på rätt plats. Ett Elo som mäter preferens är inte ett mått på typografi, och Ideograms eget rykte för text är inte något som panelen någonsin har poängsatt. Så den oberoende siffran, verklig som den är, täcker inte den egenskap som spelar störst roll i den här matchen.

M​OSS-Image har inget oberoende mått av något slag. Den är en dag gammal, och båda dess benchmarks medföljer releasen och byggdes av leverantören. Dess andra, RealLayoutArena, består av 61 designuppgifter – 20 affischer, 20 infografik, 21 gränssnitt – bedömda parvis och anpassade till en Bradley–Terry-skala; M​OSS-Image får 1698,70 Elo end-to-end, bakom GPT Image 2 med 1844,35, och 1807,34 begränsat till backbonen under delade förbättrade prompter, vilket ligger först. Pipelinen som producerade end-to-end-siffran använder G​PT-6 för att specificera prompter vid inferenstid, enligt den tekniska rapporten, vilket innebär att det starkaste end-to-end-layoutresultatet bär ett beroende av någon annans modell.

Hur du skulle välja, och vad en router har med det att göra

Ideogram 4.5 är stängd och hostas via Ideograms egen API, dess appar och en MCP-integration. MOSS-Image är en nedladdning. Ingen av dem finns i OrcaRouters katalog – vi tillhandahåller fler än 200 modeller och ingen av dessa finns bland dem – så båda innebär att gå till leverantören: i Ideograms fall via dess egen API och flera tredjepartsplattformar, i OpenMOSS fall till repositorierna och vilken hårdvara du än kan peka mot dem.

Där en router verkligen gör nytta i en texttung bildpipeline är på kostnadssidan, och anledningen har specifikt att göra med hur dessa leverantörer prissätter. Ideograms prisstege dokumenteras som en debitering efter upplösta utdatapixlar – upp till 1024×1024 räknas som 1K, över det som 2K – vilket innebär att samma nominella nivå kan kosta olika mycket beroende på vad du bad om. När en leverantörs prissättning är en funktion av förfrågan snarare än ett fast pris är aritmetiken för en batch på hundra bilder inget du vill hålla i huvudet, och en katalog som förmedlar leverantörernas listpriser vidare utan något påslag är det som håller siffran i takt med leverantören i stället för att ligga efter den. Det gäller de hostade modeller som du skulle jämföra en öppen checkpoint mot, inte någon av de två modellerna i den här artikeln.

Delen som ingen av leverantörerna säger högt

Ställ de två positionerna bredvid varandra så visar sig ett mönster. Ideogram, som har varit typografimodellen i flera år, säger åt dig att lägga din brödtext i ett designverktyg. OpenMOSS, som är en dag gammalt, hävdar att det har löst brödtexten och poängsätter sig självt på det.

Ett av dessa är ett företag som beskriver en gräns det har nått, och det andra är ett företag som beskriver en gräns det anser sig ha passerat. Det första påståendet kan verifieras av vem som helst med en gratisplan och en eftermiddag. Det andra kan bara verifieras av dem som byggde benchmarken, tills någon laddar ner vikterna och testar. Vikterna är Apache 2.0, så den kontrollen är tillgänglig för vem som helst — vilket är det starkaste argumentet för MOSS-Image i den här jämförelsen och har inget med dess poäng att göra. Du kan inte granska ett påstående om Ideogram 4.5:s långtextbeteende genom att inspektera modellen. Du kan granska MOSS-Images påstående genom att köra den.

Det som ingen av sidorna har publicerat är en driftmätning. Ideogram 4.5:s hela säljargument är att redigeringar inte förstör de orörda delarna av en bild, demonstrerat på en källa på 24,2 megapixlar utan nedskalning; ingen tredje part har betygsatt det, och ingen benchmark begär att den tionde redigeringen i en sekvens ska jämföras med den första. MOSS-Images redigeringsbeteende betecknas som experimentellt av sin egen leverantör och har inte mätts av någon. Två modeller uppbyggda kring texttrohet, ingen av dem med ett publicerat trohetsbetyg från någon som inte säljer dem.

Så valet kokar ner till vilken osäkerhet du kan leva med. Om ditt jobb är rubriker, förpackningar, produkttexter och korta block, och det är kopplat till att redigera ett befintligt foto på plats, är I​deogram 4.5 modellen med det dokumenterade beteendet, de publicerade storleksreglerna och ett oberoende – om än icke-typografiskt – betyg, och en leverantör som uttryckligen säger till dig när du i stället bör ta till ett designverktyg. Om ditt jobb är sammansatta sidor med långa avsnitt och du vill äga stacken, ger M​OSS-Image dig vikterna, schemat och det enda benchmark som överhuvudtaget försöker sig på långformig text, under förutsättning att du accepterar det som ett påstående tills du har reproducerat det. Det första är ett säkrare köp och det andra ett testbart sådant, och vilket av dem du vill ha är inte något som någon av leverantörernas sidor kan berätta för dig.

De dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omstridd flagga.