从零样本演示到原生多模态——文本生成图像的主流化引爆点与品牌退场
DALL·E 是 OpenAI 自 2021 年起推出的一系列文本生成图像（Text-to-Image）模型，也是现代文生图真正破圈的引爆事件：它第一次让公众直观看到”一段文字 → 一张可辨识、甚至富有创意的图像”已近在眼前。它在 2023 年 9 月进化为 DALL·E 3（深度接入 ChatGPT、把提示词工程门槛压到最低），又在 2025–2026 年随原生多模态路线演进为 GPT-4o 原生图像生成与 GPT Image 2，最终在 2026 年主动弃用”DALL·E”品牌——成为前沿实验室里第一个把文生图能力彻底融进通用助手、而非作为独立产品维护的案例。在 Anianima 的软件资料库里，本条目与 🔗Sora 同属 OpenAI 的”文本到 X”战线：Sora 点燃的是视频，DALL·E 点燃的是图像，二者最终都走向了原生多模态生成。
基础信息（Metadata）
- 软件名称：DALL·E 1 / DALL·E 2 / DALL·E 3（2021–2023）；GPT Image 2（gpt-image-2，2026 年起接替）
- 首次发布：2021 年 1 月 5 日（DALL·E 1 研究预览）；2026 年 4 月 21 日（GPT Image 2）
- 主要开发者 / 机构：OpenAI
- 软件类别：创作与设计
- 运行平台：云端（内嵌于 ChatGPT Plus / Pro 与 OpenAI API；DALL·E 1 仅研究预览，未开放 API）
- 授权模式：商业闭源；订阅制（ChatGPT Plus 20 美元/月、Pro 200 美元/月）与按量 API 计费；无公开权重、不可本地部署
- 官方网站：无独立长期产品站，内嵌于 ChatGPT 与 OpenAI API（openai.com）
- 当前状态：⚠️ DALL·E 2 与 DALL·E 3 已于 2026 年 5 月停用，由 GPT Image 2 接替；DALL·E 1 自始仅为研究预览
👾 本节部分内容由AI整理生成，人工复检紧张排期中，请谨慎参考，极度欢迎专业人士加入纠错团队！
历史背景与发展历程（Historical Context & Development）
DALL·E 的故事是一条完整的”引爆 → 接管”弧线：它用一次研究演示改写了行业的想象边界，又用一个品牌退场给所有后来者立了一道”文生图终将消融进通用模型”的预示。
OpenAI 在 2021 年 1 月 5 日发布 DALL·E 1，同期发布 CLIP（Contrastive Language-Image Pre-training，用对比学习把文本与图像对齐到同一表征空间）。DALL·E 1 是一个基于 GPT-3 改造的 120 亿参数自回归模型：先用离散变分自编码器（dVAE）把 256×256 图像压成 32×32 的”图像词元”（每个位置可取 8192 种离散值），再像生成文字一样逐词元生成图像。论文《Zero-Shot Text-to-Image Generation》点明核心主张：不针对特定概念专门训练，仅凭文本-图像对齐的预训练，就能泛化出训练数据里未必直接出现过的组合（例如”牛油果形状的扶手椅”）。这一演示把”文生图”从概念变成了可讨论的工程目标。名称取自艺术家萨尔瓦多·达利（Salvador Dalí）与皮克斯角色 WALL-E，暗示“会画画的机器人”。
2022 年 4 月 6 日，OpenAI 发布 DALL·E 2，改用”unCLIP”路线——先由先验网络（prior）从文本生成 CLIP 图像嵌入，再由扩散解码器（decoder）把它还原为图像，分辨率较一代提升约 4 倍，并首次带来 inpainting（局部重绘）、outpainting（延展画布）与图像变体（variations）等可控编辑能力；公开 API 于 2022 年下半年逐步开放。需要记下的对照是：DALL·E 2 的公众声量被同年 8 月开源的 Stable Diffusion 部分分流——后者以开放权重降低了文生图的参与门槛，与 OpenAI 的闭源托管路线形成对照。
2023 年 9 月，OpenAI 发布 DALL·E 3，关键不在画质本身，而在”理解提示词”：用模型自己重写的合成描述（re-captioning）重新训练，并让 DALL·E 3 直接接入 ChatGPT——用户用大白话描述，ChatGPT 负责把意图扩写、拆解成更符合模型习惯的提示词。这显著降低了”提示词工程”门槛，也让文生图第一次成为对话式工作流的一环；同期它成为 Bing Image Creator（后更名 Microsoft Designer）的底层模型。
2025 年 3 月 25 日，OpenAI 在 GPT-4o 中直接加入图像生成能力（即后续 API 中的 gpt-image-1 能力）。与以往”文本编码器 + 独立扩散模型”的两段式流水线不同，图像理解与生成开始共享同一套语言模型的表征空间；这一能力因 2025 年流行的”吉卜力风格”图像改造而广为人知，也暴露了原生多模态路线在文字渲染、手部结构与一致性上的新短板，以及新的版权争议。
2026 年 4 月 21 日，OpenAI 发布 GPT Image 2（gpt-image-2），定位为第二代理原生多模态图像模型，宣布接替 DALL·E 系列。需要厘清的是：GPT Image 2 不是”DALL·E 4″——OpenAI 主动弃用了自 2021 年沿用至今的 DALL·E 之名，改用与 GPT 家族一致的”GPT Image”命名，以反映架构已从”独立的扩散文生图模型”转变为”与语言模型同源的原生多模态能力”；且 DALL·E 1 自始至终只是研究预览，从未公开发布权重或开放 API，”DALL·E 系列开源可用”的说法并不成立。OpenAI 同期宣布停用 DALL·E 2 与 DALL·E 3（多家媒体引述的停用时间为 2026 年 5 月 12 日，具体日期来自二级报道，建议以来源原文核对）。至此，”DALL·E”作为产品名正式退出，文生图能力被纳入”GPT Image”体系。
核心功能与技术特征（Core Features & Technical Character）
DALL·E 的核心身份是以 CLIP / 扩散为底座、把”文本 → 可辨识图像”首次工程化落地的生成模型；GPT Image 2 进一步把”与语言模型同源的原生多模态生成”变成底座。
📅 本部分基于 DALL·E 3（2023）与 GPT Image 2（2026-04）撰写；带”约”字者为发布方或第三方评测口径。
技术要点：
- 文本到图像生成（Prompt Following）： 从自然语言描述生成图像。DALL·E 3 起，提示词理解依赖 ChatGPT 的扩写与拆解；GPT Image 2 进一步把语义遵循作为核心指标。
对话式、多轮迭代： DALL·E 3 起，生成不是一次性调用，而是可在 ChatGPT 中基于上一轮结果持续修改、追加约束的往返过程。 - 图像编辑： inpainting（局部重绘）、outpainting（画布延展）自 DALL·E 2 引入，GPT Image 2 在原生架构下延续并强化了这类编辑器内的可控修改。
- 文字渲染： 早期文生图模型长期受困于画面中的错字、乱码；GPT Image 2 发布方称其文字渲染准确率约 99%（发布方口径），是这一代最被强调的改进之一。
- 原生多模态表征： GPT Image 2 与语言模型共享同一套表征空间，图像生成与语言理解不再经由”翻译提示词再送扩散模型”的两段式中转。
- 分辨率与速度（发布方口径）： GPT Image 2 最大输出约 3840px，单张生成约 3 秒；这些数字来自发布与评测资料，属发布时口径。
- 命名与谱系（需辩证看待）： “GPT Image”是 DALL·E 的接替者而非第四代；OpenAI 用更名标记了从”独立图像模型”到”通用多模态能力”的范式转变，阅读时不应把 GPT Image 2 的进展误植回 DALL·E 3。
代表性应用案例（Representative Uses）
DALL·E / GPT Image 在其 2021–2026 的存续与演进中，是创作者手上最被关注的文生图工具之一：
- 概念探索与分镜草稿： 动画与影视前期常用其快速把文字创意可视化为风格参考、角色设定或镜头构图草图，再交由人工细化——它解决的是”想得快、看得快”，而非替代成片绘制。
- 编辑插画与社媒视觉： 媒体、运营与营销团队用它生产配图、海报与活动视觉，缩短从选题到素材的周期。
- 产品与场景 mockup： 电商、室内与工业设计领域用它快速预览材质、配色与摆放方案。
- 文化现象级传播： 2025 年 GPT-4o 原生图像生成催生的”吉卜力风格”图像改造，是文生图首次成为大规模大众娱乐事件，也把”风格模仿的版权边界”推到公共讨论中心。
说明：以上为该类工具的典型用途归纳，未断言具体影片或工作室以 DALL·E 完成成片制作；涉及单一生产的具体使用请以官方披露为准。
版本迭代中的关键技术更新（Milestone Versions + Legacy）
👾 版本清单由AI整理生成，请谨慎参考
DALL·E 的版本线不算最长，却每一步都带着文生图史的范式信号：
DALL·E 1（2021-01-05 研究预览）
- dVAE + 120 亿参数自回归 Transformer；零样本文生图，论文《Zero-Shot Text-to-Image Generation》。
- 仅研究预览，无公开权重、未开放 API；以”牛油果形状的扶手椅”等组合演示点燃文生图想象。
DALL·E 2（2022-04-06）
- unCLIP（先验 + 扩散解码器），分辨率较一代约 4× 提升；引入 inpainting / outpainting / variations。
- 2022 年下半年开放 API；同年被开源的 Stable Diffusion 在”可及性”上分流声量。
DALL·E 3（2023-09）
- 与 ChatGPT 深度整合；re-captioning 重训，提示词遵循大增，提示词工程门槛被压到最低。
- 同期驱动 Bing Image Creator（后 Microsoft Designer）。
GPT-4o 原生图像生成（2025-03-25）
- 图像生成嵌入 GPT-4o（即后续 API 的 gpt-image-1 能力）；原生多模态，结束”独立扩散模型”路线。
- 因”吉卜力风格”改造 viral，也暴露文字渲染与版权短板。
GPT Image 2（2026-04-21）
- 第二代理原生多模态图像模型，接替 DALL·E 系列；文字渲染约 99%（发布方口径），最大约 3840px。
- 标志着”DALL·E”品牌退场，文生图能力并入 GPT Image 体系。
DALL·E 2 / 3 停用（2026-05）
- OpenAI 宣布停用 DALL·E 2 与 DALL·E 3（媒体引述 2026-05-12，二级报道，以来源原文为准）；研发能力未必消失，”退出独立产品线”是战略选择，而非技术消亡。
版本代际与技术脉络
把 DALL·E 放进 AI 文生图的演进脉络，它扮演的是图像一侧的坐标系设定者，而非单纯的竞争者：
- 引爆期（2021 DALL·E 1）： 把”文本 → 可辨识图像”从想象变成门槛。DALL·E 第一次把这件事钉进行业共识，让后来者必须回答”你能不能也做到”——Stable Diffusion 的开源、Midjourney 的美学探索，都在这之后加速。
- 能力抬升期（2022–2023 DALL·E 2/3）： 把”可控编辑”与”听得懂话”变成预期。当 DALL·E 2 带来 in/outpainting、DALL·E 3 证明对话式提示词可行，后续模型（Flux 的 Kontext 多轮编辑、各家的文字渲染）都把这类能力当作基本功。
- 范式转折期（2025–2026 GPT-4o / GPT Image 2）： 给”独立图像模型”时代画句号。当图像生成与语言模型共用一套表征，文生图不再是单独训练的扩散模型，而是通用多模态助手默认携带的能力——DALL·E 之名也随之退场。
需要厘清的是：DALL·E 不是文生图赛道最早的玩家（更早的研究如 VQGAN-CLIP、Latent Diffusion 同期并行），它是把整片森林照亮的那道闪电；而它的”退场”，又恰好为 GPT Image 在 2026 年接管文生图叙事腾出了空间。读本站其余文生图条目时，请始终带着这个坐标系。
结语
DALL·E 的意义在于：它是现代文生图的主流化引爆事件与坐标系——用一次研究演示把”文本 → 可辨识图像”变成行业共识，用”接入 ChatGPT”定义了随后对话式生图的话语，又用 2026 年的主动更名退场，给所有追逐”独立图像模型”的玩家立下了一道范式警示线：视觉生成终将消融进通用多模态模型，而非作为单独产品长存。它不在赛道最早，却是把整片森林照亮的那道闪电。
它与 🔗Sora 共享同一段叙事：DALL·E（图像）与 Sora（视频）曾是 OpenAI 押注的两条”文本到 X”独立战线，二者早期都建立在扩散架构之上，也都曾被包裹进”世界模拟器”式的想象。而到 2025–2026 年，图像一侧率先完成了向原生多模态的转身（GPT-4o → GPT Image 2），视频一侧也在同期探索类似的统一生成路径。这意味着，以 DALL·E 为起点的这一段历史，终点不是又一个更强的”图像模型”，而是”图像模型”作为独立物种的退场——视觉生成从此成为通用多模态助手默认携带的能力之一。
