MOSS-Image 對比 Ideogram 4.5：一張圖片裡到底能放多少文字？

這兩個模型都是由注意到圖像生成器不擅長文字的人所打造。I​deogram 4.5自 2026 年 9 月 30 日起上線，是第四代模型，其全部聲譽都建立在字體排印上，而它的文件將文字視為一級元素，在結構化提示中擁有自己的欄位。M​OSS-Image由 OpenMOSS 於 2026 年 10 月 16 日發布，作為 Apache 2.0 檢查點M​OSS-Image-Base與M​OSS-Image-SFT，採取同樣的結構性做法——每個文字元素都會取得一個字面字串與一個邊界框——接著把整個模型指向一個長得多的目標：平均長度約 1,340 個字元的文學段落。

那種雄心上的差異，正是這個比較真正取決的軸心，而兩家廠商自家文件對此異常坦率。Ideogram 告訴你它的上限在哪裡。OpenMOSS 則聲稱已把上限提高。這兩種說法之一，你可以用一個已公開的數字來核對；另一個，你可以用一張已公開的警告標籤來核對。把它們放在一起讀，會比單獨讀其中任何一個，更能讓你了解圖像模型中文字渲染的現況。

這兩個 JSON 結構描述，以及它們為什麼無法互換

兩個模型都接受一種結構化提示詞，其中文字不是被描述，而是被宣告。兩者的相似程度近得足以造成誤導，因此值得精確釐清每一個實際上承載了什麼。

Ideogram 4.5 的 JSON 提示詞——與 4.0 共用——會讓每個文字元素都有專屬的 text 欄位，用來存放字面字串；一個 desc 欄位描述它應該呈現的外觀；一個 color_palette，以及一個 bbox 用於精確定位。調色盤預算有明確記載：整張圖片最多 16 個十六進位顏色，而每個元素最多五個。

MOSS-Image 的版面配置格式會採用 JSON 物件作為提示詞：一個 summary 區塊，用來承載場景與風格，以及一個 items 陣列，其中每個元素的標籤為 text、character 或 object，並含有說明文字、一個邊界框，且——針對文字元素——要渲染的字面字串。邊界框的格式為 bbox_format: "yxyx"，座標空間為 bbox_coord_space: "abs_centralized"，意思是像素會從畫布中心量測。

• 字串所在的位置 — Ideogram 4.5：每個元素各有一個 text 欄位。MOSS-Image：文字項目上的字面字串，旁邊另有一個描述其外觀的獨立說明文字。

• 色彩控制 — Ideogram 4.5：每張圖像最多 16 個十六進位色值，每個元素五個，作為有明文記載的調色盤額度。MOSS-Image：沒有明文記載的逐元素調色盤欄位；風格由摘要區塊承載。

• 框的顏色 — Ideogram 4.5：一個 bbox 欄位，在我們能讀到的資料中並未公布任何座標慣例。MOSS-Image：yxyx 順序，以相對於中心的絕對像素為單位，因此 1024² 畫布在每個軸上從 −512 到 +512。

• 元素分類體系 —— Ideogram 4.5：附有描述的文本元素。MOSS-Image：一種用於區分文字、角色與物件的三向標籤，而這正是反覆出現的主體所需要的。

兩套 schema，兩者都是 JSON，彼此都不是對方的超集，而且沒有任何一方發布過轉換器。如果你有一條會輸出其中任一種格式的管線，要支援另一種格式可是紮紮實實的一件工程——而 Ideogram 這一側缺少的座標慣例，則是你得靠實測推導出來的細節。

廠商對自身限制的說法

這是這場對決中最有趣的部分，而這並不是基準測試比較。這是對兩家公司是否願意說明自家模型在何處失效的比較。

Ideogram 的說明文件說得很明白：這個模型很擅長處理標題和短區塊，你應該之後在設計工具中加入正文或完整文件。它還說，文字以英文呈現時最準確，而非拉丁文字系統和帶重音的字母可能會出錯，甚至完全不出現。關於字型，指引是你不可以指定某一款——模型學到的是文字樣式看起來如何，而不是字型庫——因此文件記載的做法是改為描述字重、形狀和氛圍。而 JSON 路徑也有其自身已公開的失敗模式：非常長的結構化提示可能會遺失尾端元素，所以最重要的內容要放在最前面。

那是供應商在告訴客戶這個工具的樣貌。若把它當成規格來讀，它描述的是一套用於標題、標籤、包裝文案與短區塊的模式——是精準排版，而非出版。

OpenMOSS 公開的立場是另一種相反的主張。其招牌基準測試 LongLongTextBench 包含 240 項文學文本渲染任務，平均目標長度為 1,339.8 個字元，英文與中文各佔一半。它所針對的問題並非海報上的四個詞，而是在圖像內清晰渲染出的一大片散文。該廠商自己在 Mean-6 文字覆蓋率上給出的數字是 96.3，相較之下 Qwen-Image-2512 為 64.9，而同一張表中 GPT Image 2 為 99.0，Nano Banana Pro 為 96.6。

所以：有一家廠商公布了上限，另一家則公布了暗示高得多的分數。兩者都未經第三方查核。如果你要為特定工作在兩者之間做選擇，這就是分界線——而誠實的解讀方式是：I​deogram 的限制在今天有文件記載，且任何嘗試的人都能重現；而 OpenMOSS 的改善只是單一廠商未經重現的測量結果。對你的規劃而言，有文件記載的限制比未經重現的分數更有價值，至少在外界有人在實驗室之外執行這項測試之前是如此。

每個的實際用途

文本問題在於它們重疊之處。它們其餘幾乎所有方面都指向不同方向。

Ideogram 4.5 的定位是編輯器，而非生成器。其精準編輯行為會以來源圖片本身的寬度與高度回傳結果，編輯未實質改變的像素會原樣複製，而非重新合成；且已有在 4,016 × 6,016 像素來源上、無須先縮小檔案的實例演示。遮罩編輯採用黑白遮罩——黑色代表要變更之處，白色代表要保留之處，介於兩者之間的值會捨入至較接近的一方。編輯端點最多可接受四張參考圖片，若同時提供遮罩則為三張；生成端點最多可接受五張來源圖片，其中第一張會被視為要編輯的圖片。應用程式中的提示詞上限為 10,000 個字元，品質則為四級階梯，從 very_low 到 low、medium 與 high。

MOSS-Image 以生成為先。廠商將編輯元素的圖說或移動其框格描述為調整構圖中的該部分，並將此行為標示為實驗性。其控制介面即上述的版面配置 JSON；其發布的示範是構圖——海報、資訊圖表、介面——而非對既有照片進行原地編輯。其訓練先以 256px 執行 210 萬步，接著以 512px 執行 210 萬步，再以約 1024² 執行 31 萬步，各階段的 token 預算則由 576 → 3,072 → 8,192 逐步提升。

• 編輯現有影像 — Ideogram 4.5：核心功能，輸出鎖定為來源尺寸，未經改動的像素會直接複製。MOSS-Image：實驗性功能，被描述為可調整你所生成構圖中的元素。

• 全新圖像中的長文本 —— MOSS-Image：標題宣稱，並附有供應商基準測試，平均目標為 1,339.8 個字元。Ideogram 4.5：記載為標題和短區塊，內文則導向設計工具。

• 權重 — MOSS-Image：Apache 2.0，無營收門檻，約 27.2 GB，包含一個凍結的 Qwen3.5-9B 文字編碼器。Ideogram 4.5：無。該廠商的開放權重計畫僅涵蓋 Ideogram 4.0，每月 300 美元可在量化權重上自行託管 10,000 張圖片，並明確表示並非完整精度。

• 價格 — Ideogram 4.5：搭配來源圖片時，從「極低」的 $0.008 到「高」的 $0.22，共五個級距。MOSS-Image：沒有價目表；成本就是你的 GPU 時間。

一邊是數字，另一邊是空白

I​deogram 並未為 4.5 發布任何基準測試。這些計分數據來自 Artificial Analysis，該機構在兩個圖像排行榜上皆以High配置收錄此模型。擷取於 2026 年 10 月 16 日：圖像編輯為 1,063 Elo，來自 2,728 票，每 1,000 張圖像收費 220 美元；文字轉圖像為 1,019 Elo，來自 2,421 個樣本，每 1,000 張收費 100 美元。編輯排行榜的領先者是 O​penAI 的 GPT Image 2.5 Sunburst 與 Flare，分別為 1,198 與 1,177，因此最高一階比 I​deogram 4.5 高出約 135 Elo，其區間為 1,046 至 1,080，與周圍數個模型重疊。

對於究竟能否用那個數字來做這項比較，有一個需注意的地方，而這與抽樣誤差無關。這兩個排行榜都要求投票者偏好其中一張圖像勝過另一張。兩者都沒有要求投票者閱讀圖像中的文字，並判斷其拼寫是否正確、是否使用正確的文字系統，或是否出現在正確的位置。用來衡量偏好的 Elo 並不是對排版的測量，而 Ideogram 自身在文字方面的名聲，也從來不是這個排行榜評分過的項目。所以，這個獨立數字儘管真實，仍未涵蓋這場對決中最要緊的特性。

MOSS-Image 沒有任何形式的獨立評測數據。它才問世一天，而它的兩項基準測試都隨發佈一同推出，且由廠商自行建構。它的第二項 RealLayoutArena 包含 61 項設計任務——20 張海報、20 張資訊圖表、21 個介面——以成對方式評判並套配至 Bradley–Terry 量表；MOSS-Image 的端到端得分為 1698.70 Elo，落後於 GPT Image 2 的 1844.35，而在共享增強提示下僅限於主幹時則為 1807.34，位居第一。根據技術報告，產生該端到端數字的流程在推論時使用 GPT-6 進行提示規格擬定，這意味著最強的端到端版面配置結果帶有對他人模型的依賴。

你會如何選擇，以及路由器與這有何關係

Ideogram 4.5 是封閉的，並由 Ideogram 自家的 API、其應用程式與一項 MCP 整合來託管。MOSS-Image 則是要自行下載的。兩者都不在 OrcaRouter 的型錄上——我們提供超過 200 個模型，而這兩者都不在其中——所以兩者都意味著得去找原廠：就 Ideogram 而言，是透過它自家的 API 與數個第三方平台；就 OpenMOSS 而言，則是到其儲存庫，以及任何你能指向它們的硬體。

在文字密集的圖像流程中，路由器真正發揮價值的地方在成本面，而箇中原因與這些供應商的定價方式密切相關。Ideogram 的階梯式方案記載為依解析後的輸出像素計費——最高 1024×1024 算作 1K，超過則算 2K——這意味著同一個名目級距可能因你要求的內容不同而有不同費用。當供應商的定價取決於請求內容而非固定費率時，一百張圖片批次的算術可不是你想記在腦子裡的東西，而一份直接沿用供應商定價、不額外加價的價目表，正是讓數字跟著供應商走、而非落後於它的原因。這適用於你會拿來與開放檢查點基準比較的託管模型，不適用於本文提到的兩個模型。

兩家廠商都不會說出口的那一部分

把這兩個立場並排放，一個模式就會浮現。Ideogram 多年來一直是字體排版模型，它告訴你要把內文放進設計工具裡。OpenMOSS 才問世一天，就宣稱已解決內文問題，並以此為自己評分。

其中一家公司描述的是它已經撞上的限制，另一家則描述它相信自己已經超越的限制。第一項說法，任何擁有免費方案的人都能用一個下午驗證。第二項說法，在有人下載權重並嘗試之前，只有打造該基準測試的人能驗證。權重採用 Apache 2.0，因此那項檢查任何人都能做——這是本次比較中支持 MOSS-Image 最強而有力的論據，而且和它的分數毫無關係。你無法透過檢查模型來稽核關於 Ideogram 4.5 長文本行為的說法。你可以透過實際運行 MOSS-Image 來稽核它的說法。

雙方都沒有公布的是一項漂移量測。Ideogram 4.5 的整個賣點是：編輯不會破壞影格中未觸及的部分，並在 24.2 百萬像素的來源上、未經降尺度處理的情況下展示；沒有第三方為此評分，也沒有任何基準測試要求把序列中的第十次編輯與第一次相比。MOSS-Image 的編輯行為被其自家廠商標示為實驗性，且未經任何人量測。兩個以文字保真度為核心打造的模型，都沒有來自非銷售方的已公布保真度分數。

所以，選擇歸結為你能接受哪一種不確定性。如果你的任務是標題、包裝、產品文案與短區塊，並且要就地編輯既有照片，那麼 Ideogram 4.5 是具備有文件記載的行為、已公布的尺寸規則，以及一項獨立（雖然非排版性質）評分的模型——而且供應商會明確告訴你何時該改用設計工具。如果你的任務是帶有長篇段落的編排頁面，而且你想自行掌控整個技術堆疊，MOSS-Image 會給你權重、結構描述，以及唯一真正嘗試長篇文本的基準測試，前提是你願意在重現它之前，先將其視為一項宣稱。前者是較安全的購買選擇，後者則是可以驗證的一項，而你想要哪一種，不是任一供應商的頁面能告訴你的。

像這次發布背後有紀錄的 AI 失敗與代理事件，都收錄於 OrcaRouter AI Incident Archive，其中每一筆條目都附有各自的來源、嚴重程度、信心評級與爭議標記。