MOSS-Image 与 Ideogram 4.5：一张图片里究竟能放多少文字？

这两款模型都出自那些注意到图像生成器不擅长处理文字的人之手。I​deogram 4.5自 2026 年 9 月 30 日起上线，是该模型的第四代产品，其全部声誉都建立在字体排印之上，而它的文档把文本视为一等元素，在结构化提示词中为其单列一个字段。M​OSS-Image由 OpenMOSS 于 2026 年 10 月 16 日以 Apache 2.0 检查点 M​OSS-Image-Base和M​OSS-Image-SFT的形式发布，采用了同样的结构式路径——每个文本元素都配有一个字面字符串和一个边界框——随后把整套东西指向一个长得多的目标：平均长度约 1,340 个字符的文学段落。

这种雄心上的差异，才是这场比较真正围绕的轴心，而两家厂商自己的文档对此出奇地坦白。I​deogram 会告诉你它的天花板在哪里。OpenMOSS 则声称已经把它抬高了。这两个说法当中，一个你可以对照一个已公布的数字来核实；另一个你可以对照一张已公布的警示标签来核实。把两者放在一起读，比单独读其中任何一个都更能说明图像模型中文本渲染的现状。

这两个 JSON 模式，以及它们为何不能互换

两种模型都接受一种结构化提示，其中文本不是被描述，而是被声明。二者的相似性足以误导人，因此有必要精确说明它们各自实际承载的内容。

Ideogram 4.5 的 JSON 提示词——与 4.0 共用——为每个文本元素都提供了各自的 text 字段来存放字面字符串、一个描述其外观的 desc 字段、一个 color_palette，以及一个用于精确放置的 bbox。调色板配额有明确说明：整张图像最多可使用 16 种十六进制颜色，每个元素最多可使用五种。

MOSS-Image 的布局格式以一个 JSON 对象作为提示词：其中 summary 块承载场景与风格，items 数组中每个元素都带有一个标签，取值为 text、character 或 object，还包含一段说明文字、一个边界框，并且——对于文本元素而言——还要给出要渲染的字面字符串。框的格式为 bbox_format: "yxyx"，坐标空间为 bbox_coord_space: "abs_centralized"，即像素以画布中心为基准进行度量。

• 字符串所在的位置 — Ideogram 4.5：每个元素对应一个文本字段。MOSS-Image：文本项上直接写明的字符串，同时另有一条单独描述其外观的说明。

• 色彩控制 — Ideogram 4.5：每张图像最多 16 种十六进制颜色，每个元素最多五种，作为有文档记录的调色板预算。MOSS-Image：没有文档记录的按元素调色板字段；样式承载于 摘要块中。

• 框的颜色 —— Ideogram 4.5：一个 bbox 字段，在我们能读到的材料中，没有公布任何坐标约定。MOSS-Image：yxyx 顺序，坐标以相对于中心的绝对像素表示，因此 1024² 画布在每个轴上的范围为 −512 到 +512。

• 元素分类体系——Ideogram 4.5：带描述的文字元素。MOSS-Image：一种三向标签，用于区分文字、角色和物体，这正是反复出现的主体所需要的。

两种模式，均为 JSON，彼此都不是对方的超集，而且没有任何人发布过转换器。如果你有一条能输出其中任一格式的流水线，那么支持另一种格式的成本就是一项实打实的工作——而 Ideogram 一侧缺失的坐标约定，则是一个你必须通过经验推导出来的细节。

关于自身局限，厂商们怎么说

这是这场对决中最有趣的部分，而且它不是基准测试对比。它比较的是两家公司是否愿意描述它们的模型在何处失效。

Ideogram 的文档说得很直白：该模型能很好地处理标题和短区块，而正文文案或完整文档应稍后在设计工具中添加。它还指出，以英文呈现时文本最准确，而非拉丁文字系统和带重音符号的字母可能会出错，甚至完全无法呈现。关于字体，其指导原则是你不能指定某一款字体——模型学到的是文本样式看起来是什么样，而不是一个字体库——因此文档给出的做法是改为描述字重、形状和气质。而 JSON 路径也有其已公开的失效模式：非常长的结构化提示词可能会丢失尾部元素，所以最重要的内容要放在最前面。

那是供应商在向客户说明这个工具的形态。若当作规范来读，它描述的是一种用于标题、标签、包装文案和短文本块的模型——是精准排版，而非出版。

OpenMOSS 公开的立场则是一种相反的主张。其主打基准 LongLongTextBench 包含 240 项文学文本渲染任务，平均目标长度为 1,339.8 个字符，在英语和中文之间平均分配。所针对的问题不是海报上的四个词，而是在图像内清晰渲染出的一大段散文。供应商自己在 Mean-6 文本覆盖率上给出的数字是 96.3，相比之下 Q​wen-Image-2512 为 64.9，而同一表格中 GPT Image 2 为 99.0，N​ano Banana Pro 为 96.6。

所以：一家厂商公布了一个上限，另一家厂商公布的分数则意味着高得多的上限。两者都没有经过第三方核验。如果你是在为某项具体任务在它们之间做选择，这就是分界线——而诚实的解读方式是：Ideogram 的局限是已被记录在案、今天任何人尝试都能复现的，而 OpenMOSS 的改进只是单一厂商未经复现的测量结果。对于你的规划而言，有记录的局限比未经复现的分数更有价值，至少在某家实验室之外的人运行该测试之前是如此。

每个到底是做什么用的

文本中的问题在于它们重叠的地方。关于它们的其他几乎所有方面都指向不同的方向。

Ideogram 4.5 的定位是编辑器，而非生成器。它的精确编辑行为会以源图像自身的宽度和高度返回结果，编辑未产生实质改变的像素会被原样复制，而不是重新合成；并且已在 4,016 × 6,016 像素的源图像上做过演示，无需先对文件降采样。蒙版编辑接收黑白蒙版——黑色标记需要更改之处，白色标记需要保留之处，介于两者之间的值会舍入到更接近的一端。编辑端点最多接收四张参考图像，若同时提供蒙版则为三张；生成端点最多接收五张源图像，其中第一张会被视为待编辑的图像。在应用中，提示词最长可达 10,000 个字符，质量分为四级阶梯，从 very_low 到 low、medium和high。

M​OSS-Image 是生成优先的。厂商将编辑某个元素的标题或移动其边界框描述为调整构图的那一部分，并将该行为标记为实验性。它的控制界面是上述布局 JSON；其已发布的演示是构图——海报、信息图、界面——而非对现有照片进行原位编辑。它的训练先以 256px 运行 210 万步，然后以 512px 运行 210 万步，接着以约 1024² 运行 31 万步，在这些阶段中 token 预算从 576 → 3,072 → 8,192。

• 编辑现有图像 — I​deogram 4.5：核心能力，输出锁定为源尺寸，未改动的像素原样复制。M​OSS-Image：实验性功能，被描述为调整你所生成的构图中的元素。

• 全新图像中的长文本 — MOSS-Image：这是其核心宣称，供应商基准测试的平均目标长度为 1,339.8 个字符。Ideogram 4.5：以标题和短块形式记录，正文内容则交由设计工具处理。

• 权重 — M​OSS-Image：Apache 2.0，无收入门槛，约 27.2 GB，包含一个冻结的 Qwen3.5-9B 文本编码器。I​deogram 4.5：无。该厂商的开放权重计划仅涵盖 I​deogram 4.0，每月 300 美元可在量化权重上自托管 10,000 张图像，且明确不提供全精度版本。

• 价格 — Ideogram 4.5：五级阶梯，从“极低”档的 $0.008 到“高”档的 $0.22，含一张源图。MOSS-Image：没有价目表；成本就是你的 GPU 时间。

一边是数字，另一边是空白

Ideogram 没有为 4.5 发布基准测试。这些得分数据来自 Artificial Analysis，该机构在 High 配置下将模型列入了两个图像榜单。2026 年 10 月 16 日读取：图像编辑为 1,063 Elo，来自 2,728 票，价格为每 1,000 张图像 220 美元；文本生成图像为 1,019 Elo，来自 2,421 个样本，价格为每 1,000 张 100 美元。编辑榜单的领先者是 OpenAI 的 GPT Image 2.5 Sunburst 和 Flare，分别为 1,198 和 1,177，因此最高档比 Ideogram 4.5 高出约 135 Elo，其区间为 1,046 至 1,080，与周围几个模型存在重叠。

把那个数字用于这一比较这件事本身，就有一个警告，而这与抽样误差无关。两个榜单都要求投票者更偏好一张图像而非另一张。二者都没有要求投票者阅读图像中的文字，并判断它是否拼写正确、是否使用了正确的文字系统、或是否位于正确的位置。衡量偏好的 Elo 并不是对文字排版的衡量，而 I​deogram 自身在文字方面的声誉，也不是该榜单曾经评过分的东西。所以，这个独立数字尽管真实，却没有涵盖这场对决中最要紧的那个属性。

MOSS-Image 没有任何形式的独立成绩。它才发布一天，而且它的两个基准测试都随发布一同提供，并且均由厂商自行构建。它的第二个基准 RealLayoutArena 包含 61 项设计任务——20 张海报、20 张信息图、21 个界面——以两两对比方式评判，并拟合到 Bradley–Terry 量表上；MOSS-Image 的端到端得分为 1698.70 Elo，落后于 GPT Image 2 的 1844.35；而在共享增强提示词下仅限主干模型时得分为 1807.34，位列第一。根据技术报告，生成端到端分数的流水线在推理时使用 GPT-6 来指定提示词，这意味着最强的端到端布局结果依赖于他人的模型。

你会如何选择，以及路由器与此有什么关系

Ideogram 4.5 是闭源的，托管在 Ideogram 自己的 API、其应用以及一项 MCP 集成上。MOSS-Image 则可以下载。两者都不在 OrcaRouter 的目录中——我们提供 200 多个模型，而这两者均不在其中——因此两者都意味着要去找厂商：Ideogram 的情况是通过其自有 API 和几个第三方平台，OpenMOSS 的情况则是去代码仓库，以及你能拿来跑它们的任何硬件。

路由器在文本密集的图像流水线中真正体现价值的地方在于成本侧，而原因与这些供应商的定价方式密切相关。Ideogram 的档位按已解析的输出像素计费——最高 1024×1024 计为 1K，超过则计为 2K——这意味着同一个名义档位会因你所请求的内容不同而产生不同的费用。当供应商的定价是请求的函数而非固定费率时，一百张图片批次的算术可不是你想记在脑子里的东西，而一个直接传递提供商标价、不添加任何附加费用的目录，才能让这个数字随供应商一同变动，而不是滞后于它。这适用于你会用来为开放检查点做基准对比的托管模型，而不适用于本文中的这两个模型。

两家供应商都不愿明说的部分

把这两种立场并排放在一起，一个模式就会显现出来。多年来一直是字体排印模型的 I​deogram 告诉你，把正文放进设计工具里。才问世一天的 OpenMOSS 则声称已经解决了正文问题，并就此给自己打分。

其中之一是一家公司描述它已经触及的上限，另一家则描述它相信自己已经越过的上限。第一种说法任何拥有免费套餐和一个下午的人都能验证。第二种说法只有构建该基准测试的人才能验证，直到有人下载权重并尝试为止。这些权重采用 Apache 2.0 许可，因此任何人都能进行这项检查——这是本次比较中支持 M​OSS-Image 的最强论据，而且与它的得分毫无关系。你无法通过检查模型来审计关于 I​deogram 4.5 长文本行为的主张。你可以通过运行 M​OSS-Image 来审计它的主张。

双方都未公布漂移测量结果。Ideogram 4.5 的全部卖点在于：编辑不会破坏画面中未被触及的部分，并且这一点是在 2420 万像素的源图像上、未经降采样的情况下展示的；没有第三方对此打分，也没有任何基准测试要求把序列中的第十次编辑与第一次进行比较。MOSS-Image 的编辑行为被其自家厂商标注为实验性，且无人对其进行测量。两个围绕文本保真度构建的模型，却都没有来自任何并非在推销它们之人的公开保真度评分。

所以，选择就归结为你能接受哪一种不确定性。如果你的工作是标题、包装、产品文案和短文本块，并且要与就地编辑已有照片相结合，那么 Ideogram 4.5 就是那个有文档记录的行为、已公布的尺寸规则，以及一个独立（尽管并非字体排印方面）评分的模型——而且供应商还会明确告诉你何时该改用设计工具。如果你的任务是带长段落的整页排版，并且你想掌控整个技术栈，那么 MOSS-Image 会给你权重、模式（schema）以及唯一一个真正尝试长文本的基准测试，前提是：在你复现它之前，只能把它当作一种说法来接受。前者是更稳妥的购买选择，后者是可测试的选择；而你想要哪一种，两家供应商的页面都告诉不了你。

此类发布背后有据可查的 AI 故障与智能体事件，均收录于OrcaRouter AI 事件档案，其中每条记录都带有自己的来源、严重程度、置信度评级和争议标记。