DALL-E

DALL-E 是 OpenAI 的一系列文生圖系統，追溯它的三個世代，等於是一趟濃縮的領域演進之旅——從自迴歸 Transformer 到擴散。最初的 DALL-E（2021 年初）是一個里程碑式的展示：單一個模型能從自由格式的字幕生成連貫影像，並以真正新穎的方式組合概念（「一張酪梨形狀的扶手椅」），證明了文生圖是一項可行、通用的能力，而非一個狹隘的把戲。

技術上，各世代差異懸殊。DALL-E 1 是自迴歸的：一個離散 VAE（dVAE）把影像壓縮成一格網格的碼 token，一個大型 Transformer 則以文字 token 為條件、一個接一個地生成那些影像 token——本質上是「對影像區塊做語言建模」。DALL-E 2（2022）改用擴散與 unCLIP 架構：一個「先驗」（prior）模型把文字映射成一個 CLIP 影像嵌入，接著一個擴散「解碼器」從那個嵌入生成影像，再以超解析度擴散階段把結果放大。DALL-E 3（2023）聚焦於提示保真度，其值得注意之處在於：它是在經過豐富改寫、高度描述性的合成字幕上訓練的，並與一個大型語言模型（GPT）整合，後者在生成前把使用者的簡短提示擴寫成詳細提示——大幅改善了複雜提示被遵循的忠實程度。

DALL-E 既作為一條研究脈絡、也作為一個參照點而重要。它讓「自迴歸影像 token」的做法普及（後來被其他系統呼應），接著協助確立擴散為主導範式，而 DALL-E 3 的字幕改寫策略，把「遵循提示」重新框定為部分是資料與語言模型的問題，而非純粹是生成器架構的問題。與 Stable Diffusion 不同，DALL-E 的權重是封閉的、透過 API 存取，因此它站在定義現代格局之「開放／封閉」分野的專有那一側。