DALL·E, presentado por Ramesh et al. (2021), genera imágenes a partir de prompts de texto modelando los tokens de texto e imagen como un único flujo con un Transformer. Demostró una generación de texto a imagen zero-shot convincente y ayudó a impulsar la ola de herramientas de imagen generativa para el gran público.
Los sistemas de texto a imagen posteriores usan cada vez más modelos de difusión, pero DALL·E estableció el paradigma de «del prompt a la imagen» que hoy es habitual en las herramientas creativas.