DALL·E, présenté par Ramesh et al. (2021), génère des images à partir de prompts textuels en modélisant les tokens de texte et d’image comme un flux unique à l’aide d’un Transformer. Il a démontré une génération texte-image zero-shot convaincante et a contribué à lancer la vague grand public des outils de génération d’images.
Les systèmes texte-image ultérieurs reposent de plus en plus sur des modèles de diffusion, mais DALL·E a imposé le paradigme « du prompt à l’image », aujourd’hui courant dans les outils créatifs.