MODEL

DALL·E

DALL·E 是 OpenAI 的 12B 参数文本条件图像模型。它把文本和 256×256 图像编码为最多 1,280 个离散 token，再由 decoder-only Transformer 自回归建模；同一机制也可按文字条件补全现有图像的特定区域。官方展示了概念组合、属性控制和风格迁移，也明确记录了局限：物体增多时属性绑定成功率迅速下降，对语义等价的改写也较脆弱。

发布日期：

2021-01-05

参数量：

12B

架构：

64 层 decoder-only 自回归 Transformer；把最多 256 个文本 token 与 1,024 个离散图像 token 组成单一序列，并以稀疏注意力生成图像

输入输出：

文本 + 图像 → 图像

交互方式：

普通请求

开放方式：

闭源

组织：

OpenAI