DALL·E, vorgestellt von Ramesh et al. (2021), erzeugt Bilder aus Text-Prompts, indem es Text- und Bild-Tokens mit einem Transformer als einen einzigen Datenstrom modelliert. Es zeigte überzeugende Zero-Shot-Text-zu-Bild-Generierung und trug dazu bei, die Welle generativer Bild-Tools für Endnutzer auszulösen.
Spätere Text-zu-Bild-Systeme setzen zunehmend auf Diffusionsmodelle, doch DALL·E etablierte das Prinzip „vom Prompt zum Bild“, das heute in kreativen Tools üblich ist.