MOSS-Image vs Ideogram 4.5: Bạn thực sự có thể đưa bao nhiêu văn bản vào một bức ảnh?

Cả hai mô hình này đều được tạo ra bởi những người nhận thấy rằng các công cụ tạo hình ảnh rất kém ở khoản chữ nghĩa. I​deogram 4.5, hoạt động từ ngày 30 tháng 9 năm 2026, là thế hệ thứ tư của một mô hình mà toàn bộ danh tiếng đều dựa vào typography, và tài liệu của nó coi văn bản là một yếu tố hạng nhất với trường riêng trong một prompt có cấu trúc. M​OSS-Image, được OpenMOSS phát hành vào ngày 16 tháng 10 năm 2026 dưới dạng các checkpoint Apache 2.0 M​OSS-Image-Base và M​OSS-Image-SFT, cũng áp dụng cách tiếp cận có cấu trúc tương tự — mỗi phần tử văn bản nhận một chuỗi ký tự cụ thể cùng một hộp bao — rồi sau đó hướng toàn bộ vào một mục tiêu dài hơn nhiều: những đoạn văn mang tính văn học với độ dài trung bình khoảng 1.340 ký tự.

Sự khác biệt về tham vọng đó chính là trục mà so sánh này thực sự xoay quanh, và tài liệu của chính hai nhà cung cấp lại thẳng thắn một cách bất thường về điều đó. Ideogram cho bạn biết mức trần của nó nằm ở đâu. OpenMOSS tuyên bố đã nâng nó lên. Một trong hai phát biểu đó có thể đối chiếu với một con số đã được công bố; phát biểu còn lại có thể đối chiếu với một nhãn cảnh báo đã được công bố. Đọc chúng cùng nhau cho bạn biết nhiều hơn về tình trạng kết xuất văn bản trong các mô hình hình ảnh so với chỉ đọc riêng từng cái một.

Hai schema JSON, và lý do chúng không thể thay thế cho nhau

Cả hai mô hình đều chấp nhận một prompt có cấu trúc, trong đó văn bản không được mô tả mà được khai báo. Sự tương đồng đủ sát đến mức gây hiểu nhầm, nên cần phải chính xác về những gì mỗi cái thực sự mang theo.

Prompt JSON của Ideogram 4.5 — dùng chung với 4.0 — cấp cho mỗi phần tử văn bản một text trường chứa chuỗi ký tự nguyên văn, một desc trường mô tả hình thức của nó, một color_palette, và một bbox để định vị chính xác. Ngân sách bảng màu được ghi rõ: tối đa 16 màu hex cho toàn bộ hình ảnh, và tối đa năm màu cho mỗi phần tử.

Định dạng bố cục của MOSS-Image nhận một đối tượng JSON làm prompt: một khối tóm tắt mang bối cảnh và phong cách, và một mảng các mục trong đó mỗi phần tử có nhãn là văn bản, nhân vật hoặc đối tượng; một chú thích, một hộp giới hạn, và — đối với phần tử văn bản — chuỗi ký tự nguyên văn để hiển thị. Các hộp có định dạng bbox: "yxyx" trong không gian tọa độ bbox: "abs_centralized", nghĩa là pixel được đo từ tâm của khung vẽ.

• Chuỗi nằm ở đâu — I​deogram 4.5: một trường text cho mỗi phần tử. M​OSS-Image: chuỗi nguyên văn trên mục văn bản, cùng với một chú thích riêng cho biết nó sẽ trông như thế nào.

• Kiểm soát màu sắc — Ideogram 4.5: tối đa 16 màu hex cho mỗi hình ảnh, năm màu cho mỗi phần tử, như một ngân sách bảng màu được ghi rõ. MOSS-Image: không có trường bảng màu theo từng phần tử được ghi rõ; phong cách được thể hiện trong phần tóm tắt của khối.

• Màu của hộp — Ideogram 4.5: một trường bbox không có quy ước tọa độ nào được công bố trong tài liệu mà chúng tôi có thể đọc. MOSS-Image: yxyx theo thứ tự trong pixel tuyệt đối tương đối so với tâm, vì vậy một khung vẽ 1024² chạy từ −512 đến +512 trên mỗi trục.

• Phân loại phần tử — I​deogram 4.5: các phần tử văn bản kèm mô tả. M​OSS-Image: nhãn ba lớp phân biệt văn bản, nhân vật và đối tượng, điều mà một chủ thể lặp lại cần.

Hai schema, cả hai đều là JSON, không cái nào là tập cha của cái kia, và không có công cụ chuyển đổi nào được bất kỳ ai công bố. Nếu bạn có một pipeline phát ra một trong hai định dạng, chi phí để hỗ trợ định dạng còn lại là một phần việc thực sự đáng kể — và quy ước tọa độ còn thiếu ở phía Ideogram là một chi tiết mà bạn sẽ phải suy ra bằng thực nghiệm.

Các nhà cung cấp nói gì về những giới hạn của chính họ

Đây là phần thú vị nhất của màn đối đầu, và đây không phải là một so sánh benchmark. Đó là sự so sánh mức độ sẵn sàng của hai công ty trong việc mô tả nơi mô hình của họ ngừng hoạt động.

Tài liệu của Ideogram nói thẳng ra: mô hình xử lý tiêu đề và các khối ngắn rất tốt, và bạn nên thêm nội dung chính hoặc toàn bộ tài liệu sau đó trong một công cụ thiết kế. Tài liệu cũng nói rằng văn bản hiển thị chính xác nhất bằng tiếng Anh, và rằng các hệ chữ không phải Latinh cùng các chữ cái có dấu có thể ra sai hoặc không ra gì cả. Về phông chữ, hướng dẫn là bạn không thể nêu tên một phông cụ thể — mô hình đã học được các kiểu văn bản trông như thế nào, chứ không phải một thư viện phông chữ — nên cách làm được tài liệu hóa là thay vào đó mô tả độ đậm, hình dáng và sắc thái. Và đường hướng JSON có kiểu lỗi riêng đã được công bố: các prompt có cấu trúc rất dài có thể mất các thành phần ở cuối, nên những thứ quan trọng nhất phải được đặt lên trước.

Đó là một nhà cung cấp đang nói với khách hàng của mình về hình dạng của công cụ. Khi đọc như một bản đặc tả, nó mô tả một mô hình cho tiêu đề, nhãn, nội dung bao bì và các khối ngắn — typography chính xác, không phải xuất bản.

Quan điểm được OpenMOSS công bố là kiểu khẳng định trái ngược. Benchmark chủ lực của họ, LongLongTextBench, gồm 240 tác vụ kết xuất văn bản văn học với độ dài mục tiêu trung bình là 1.339,8 ký tự, chia đều giữa tiếng Anh và tiếng Trung. Vấn đề đang được nhắm tới không phải là bốn từ trên một tấm áp phích; mà là một khối văn xuôi được kết xuất rõ ràng bên trong một hình ảnh. Con số của chính nhà cung cấp cho điều đó trên Mean-6 text coverage là 96,3, so với 64,9 của Qwen-Image-2512, với GPT Image 2 ở mức 99,0 và Nano Banana Pro ở mức 96,6 trong cùng bảng.

Vậy: một nhà cung cấp đã công bố một mức trần, và nhà cung cấp kia đã công bố một điểm số ngụ ý một mức trần cao hơn nhiều. Cả hai đều chưa được bên thứ ba kiểm chứng. Nếu bạn đang cân nhắc giữa họ cho một công việc cụ thể, đây chính là ranh giới phân định — và cách đọc trung thực là: hạn chế của Ideogram đã được ghi nhận và có thể tái lập ngay hôm nay bởi bất kỳ ai thử, trong khi cải thiện của OpenMOSS chỉ là phép đo chưa được tái lập của một nhà cung cấp duy nhất. Hạn chế đã được ghi nhận có giá trị hơn cho việc lập kế hoạch của bạn so với điểm số chưa được tái lập, ít nhất là cho đến khi có ai đó bên ngoài phòng thí nghiệm chạy thử nghiệm.

Mỗi loại thực sự dùng để làm gì

Câu hỏi mà văn bản đặt ra là chỗ chúng trùng nhau. Gần như mọi thứ khác về chúng đều hướng về những phía khác nhau.

Ideogram 4.5 được định vị là một trình chỉnh sửa, không phải một trình tạo. Hành vi chỉnh sửa chính xác của nó trả kết quả ở đúng chiều rộng và chiều cao của ảnh nguồn, với những pixel mà chỉnh sửa không thay đổi một cách có ý nghĩa được sao chép nguyên vẹn thay vì được tổng hợp lại, và nó đã được chứng minh trên ảnh nguồn 4.016 × 6.016 pixel mà không giảm kích thước tệp trước. Chỉnh sửa có mặt nạ nhận một mặt nạ đen trắng — màu đen đánh dấu phần cần thay đổi, màu trắng là phần cần giữ, các giá trị ở giữa được làm tròn về giá trị gần hơn trong hai giá trị. Điểm cuối chỉnh sửa nhận tối đa bốn ảnh tham chiếu, ba ảnh trong số đó khi có thêm mặt nạ; điểm cuối tạo nhận tối đa năm ảnh nguồn, ảnh đầu tiên trong số đó được coi là ảnh đang được chỉnh sửa. Lời nhắc có thể dài tới 10.000 ký tự trong ứng dụng, và chất lượng là một thang gồm bốn bậc từ rất thấp đến thấp, trung bình và cao.

M​OSS-Image lấy tạo sinh làm trọng tâm. Nhà cung cấp mô tả việc chỉnh sửa chú thích của một phần tử hoặc di chuyển hộp của nó là điều chỉnh phần đó của bố cục, và gọi hành vi này là thử nghiệm. Bề mặt điều khiển của nó là JSON bố cục ở trên; bản minh họa được công bố của nó là bố cục — áp phích, đồ họa thông tin, giao diện — chứ không phải chỉnh sửa tại chỗ một bức ảnh hiện có. Quá trình huấn luyện chạy ở 256px trong 2,1 triệu bước, rồi 512px trong 2,1 triệu bước, rồi khoảng 1024² trong 0,31 triệu bước, với ngân sách token dịch chuyển 576 → 3.072 → 8.192 qua các giai đoạn đó.

• Chỉnh sửa một hình ảnh có sẵn — I​deogram 4.5: khả năng cốt lõi, đầu ra được khóa theo đúng kích thước của nguồn, các pixel không bị tác động được sao chép nguyên vẹn. M​OSS-Image: mang tính thử nghiệm, được mô tả là có thể điều chỉnh các yếu tố trong một bố cục do bạn tạo ra.

• Văn bản dài trong một hình ảnh mới — M​OSS-Image: tuyên bố tiêu đề, với điểm chuẩn của nhà cung cấp ở mục tiêu trung bình 1,339.8 ký tự. I​deogram 4.5: được ghi nhận là tiêu đề và khối ngắn, với nội dung chính được hướng đến một công cụ thiết kế.

• Trọng số — MOSS-Image: Apache 2.0, không có ngưỡng doanh thu, khoảng 27,2 GB bao gồm một bộ mã hóa văn bản Qwen3.5-9B đóng băng. Ideogram 4.5: không có. Chương trình trọng số mở của nhà cung cấp chỉ bao gồm Ideogram 4.0, với mức 300 USD một tháng cho 10.000 ảnh tự lưu trữ trên trọng số lượng tử hóa, rõ ràng là không phải độ chính xác đầy đủ.

• Giá — Ideogram 4.5: một thang năm bậc từ $0.008 ở mức Rất thấp đến $0.22 ở mức Cao với ảnh nguồn. MOSS-Image: không có bảng giá; chi phí là thời gian GPU của bạn.

Số ở một bên và chỗ trống ở bên kia

Ideogram không công bố benchmark nào cho 4.5. Các con số được chấm điểm đến từ Artificial Analysis, nơi đưa mô hình lên cả hai bảng xếp hạng hình ảnh ở cấu hình High. Đọc ngày 16 tháng 10 năm 2026: 1.063 Elo về chỉnh sửa hình ảnh từ 2.728 phiếu bầu với giá 220 USD cho mỗi 1.000 hình ảnh, và 1.019 Elo về văn bản thành hình ảnh từ 2.421 mẫu với giá 100 USD cho mỗi 1.000. Những cái tên dẫn đầu bảng chỉnh sửa là GPT Image 2.5 Sunburst và Flare của OpenAI với 1.198 và 1.177, vì vậy vị trí cao nhất nằm cao hơn Ideogram 4.5 khoảng 135 Elo, trên một khoảng từ 1.046 đến 1.080, chồng lấn với một số mô hình xung quanh nó.

Có một lưu ý áp dụng cho việc dùng con số đó cho so sánh này xét về mọi mặt, và lưu ý đó không liên quan đến sai số lấy mẫu. Cả hai bảng đều yêu cầu người bình chọn thích một hình ảnh hơn một hình ảnh khác. Không bảng nào yêu cầu người bình chọn đọc văn bản trong ảnh và đánh giá xem nó có được viết đúng chính tả, đúng hệ chữ hay đúng vị trí hay không. Một chỉ số Elo đo lường sự ưa thích không phải là phép đo của nghệ thuật chữ, và danh tiếng của chính I​deogram về văn bản không phải là thứ mà bảng này từng chấm điểm. Vì vậy, con số độc lập, dù là thật, không bao quát được thuộc tính quan trọng nhất trong cuộc so tài này.

M​OSS-Image không có bất kỳ con số độc lập nào thuộc bất kỳ loại nào. Nó mới ra đời được một ngày, và cả hai benchmark của nó đều được phát hành kèm bản phát hành và do nhà cung cấp tự xây dựng. Cái thứ hai, RealLayoutArena, gồm 61 tác vụ thiết kế — 20 poster, 20 infographic, 21 giao diện — được đánh giá theo cặp và khớp vào thang Bradley–Terry; M​OSS-Image đạt 1698,70 Elo end-to-end, xếp sau GPT Image 2 với 1844,35, và 1807,34 khi giới hạn ở backbone dưới các prompt tăng cường dùng chung, đứng đầu. Quy trình tạo ra con số end-to-end sử dụng G​PT-6 để đặc tả prompt tại thời điểm suy luận, theo báo cáo kỹ thuật, nghĩa là kết quả bố cục end-to-end mạnh nhất mang theo sự phụ thuộc vào mô hình của người khác.

Cách bạn sẽ chọn, và bộ định tuyến thì có liên quan gì đến điều đó

I​deogram 4.5 là mô hình đóng và được host từ API riêng của I​deogram, các ứng dụng của nó và một tích hợp MCP. M​OSS-Image là bản tải xuống. Cả hai đều không có trong danh mục OrcaRouter — chúng tôi phục vụ hơn 200 mô hình và cả hai đều không nằm trong số đó — nên cả hai đều đồng nghĩa với việc phải tìm đến nhà cung cấp: với I​deogram, là thông qua API riêng của nó và một số nền tảng bên thứ ba; với OpenMOSS, là đến các kho lưu trữ và bất kỳ phần cứng nào bạn có thể hướng vào chúng.

Nơi một router chứng tỏ được giá trị của mình trong một pipeline hình ảnh nặng về văn bản là ở phía chi phí, và lý do thì đặc thù theo cách các nhà cung cấp này định giá. Thang bậc của Ideogram được ghi nhận là tính phí theo số pixel đầu ra thực tế — tối đa 1024×1024 được tính là 1K, trên mức đó là 2K — nghĩa là cùng một hạng danh nghĩa có thể tốn số tiền khác nhau tùy theo thứ bạn yêu cầu. Khi giá của một nhà cung cấp là một hàm của yêu cầu chứ không phải mức phí cố định, thì phép tính cho một lô một trăm ảnh không phải là thứ bạn muốn giữ trong đầu, và một danh mục truyền thẳng giá niêm yết của nhà cung cấp mà không cộng thêm gì chính là thứ giữ cho con số dịch chuyển cùng nhà cung cấp thay vì tụt lại phía sau. Điều đó áp dụng cho các mô hình hosted mà bạn sẽ đem một checkpoint mở ra so sánh với chúng, chứ không áp dụng cho cả hai mô hình trong bài này.

Phần mà cả hai nhà cung cấp đều không nói thẳng ra

Đặt hai vị trí cạnh nhau và một quy luật sẽ hiện ra. Ideogram, vốn đã là mô hình typography trong nhiều năm, bảo bạn đặt phần nội dung chính của mình vào một công cụ thiết kế. OpenMOSS, mới chỉ một ngày tuổi, tuyên bố đã giải quyết được phần nội dung chính và tự chấm điểm mình về điều đó.

Một trong hai là một công ty đang mô tả một giới hạn mà nó đã chạm tới, còn công ty kia đang mô tả một giới hạn mà nó tin rằng mình đã vượt qua. Tuyên bố thứ nhất có thể được bất kỳ ai có gói miễn phí và một buổi chiều kiểm chứng. Tuyên bố thứ hai chỉ có thể được kiểm chứng bởi những người đã xây dựng bộ chuẩn đánh giá, cho đến khi ai đó tải trọng số về và thử. Trọng số là Apache 2.0, nên việc kiểm tra đó khả dụng với bất kỳ ai — đây là lập luận mạnh nhất cho MOSS-Image trong so sánh này và không liên quan gì đến điểm số của nó. Bạn không thể kiểm toán một tuyên bố về hành vi văn bản dài của Ideogram 4.5 bằng cách xem xét mô hình. Bạn có thể kiểm toán MOSS-Image bằng cách chạy nó.

Điều mà cả hai bên đều chưa công bố là một phép đo độ trôi. Toàn bộ luận điểm bán hàng của Ideogram 4.5 là các chỉnh sửa không làm hỏng những phần chưa bị chạm tới của một khung hình, được minh họa trên nguồn 24,2 megapixel mà không hạ mẫu; chưa có bên thứ ba nào chấm điểm điều đó, và không có benchmark nào yêu cầu so sánh chỉnh sửa thứ mười trong một chuỗi với chỉnh sửa đầu tiên. Hành vi chỉnh sửa của MOSS-Image được chính nhà cung cấp của nó gắn nhãn là thử nghiệm và chưa được ai đo lường. Hai mô hình được xây dựng xoay quanh độ trung thực văn bản, không mô hình nào có điểm trung thực được công bố từ bất kỳ ai không phải là bên đang bán chúng.

Vậy nên lựa chọn quy về việc bạn có thể sống chung với sự không chắc chắn nào. Nếu công việc của bạn là tiêu đề, bao bì, nội dung quảng cáo sản phẩm và các khối ngắn, và nó gắn với việc chỉnh sửa một bức ảnh hiện có ngay tại chỗ, thì I​deogram 4.5 là mô hình có hành vi được tài liệu hóa, các quy tắc kích thước được công bố và một điểm số độc lập — dù không thuộc về kiểu chữ — cùng một nhà cung cấp nói rõ cho bạn khi nào nên dùng công cụ thiết kế thay thế. Nếu công việc của bạn là các trang được bố cục với những đoạn dài và bạn muốn sở hữu toàn bộ stack, M​OSS-Image mang đến cho bạn trọng số, schema và benchmark duy nhất thực sự thử sức với văn bản dài, với điều kiện bạn chấp nhận nó như một tuyên bố cho đến khi bạn tái tạo được nó. Cái thứ nhất là một lựa chọn mua an toàn hơn và cái thứ hai là một lựa chọn có thể kiểm chứng, và việc bạn muốn cái nào không phải là điều mà trang của bất kỳ nhà cung cấp nào có thể nói cho bạn.

Các lỗi AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong OrcaRouter AI Incident Archive, trong đó mỗi mục đều có nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.