DALL·E, introdotto da Ramesh et al. (2021), genera immagini da prompt testuali modellando i token di testo e di immagine come un unico flusso con un Transformer. Ha dimostrato una generazione text-to-image zero-shot convincente e ha contribuito a lanciare l'ondata di strumenti di generazione di immagini per il grande pubblico.
I sistemi text-to-image successivi usano sempre più spesso modelli di diffusione, ma DALL·E ha stabilito il paradigma "dal prompt all'immagine" oggi comune negli strumenti creativi.