O DALL·E, apresentado por Ramesh et al. (2021), gera imagens a partir de prompts de texto modelando tokens de texto e de imagem como um único fluxo com um Transformer. Ele demonstrou uma geração convincente de imagens a partir de texto em modo zero-shot e ajudou a lançar a onda de ferramentas de imagem generativa para o consumidor.
Sistemas posteriores de texto para imagem usam cada vez mais modelos de difusão, mas o DALL·E estabeleceu o paradigma do prompt para imagem hoje comum em ferramentas criativas.