DALL·E 2

是什么

DALL·E 2 是 OpenAI 于2022年4月6日宣布的图像生成模型 ^[1]。该模型的论文为《Hierarchical Text-Conditional Image Generation with CLIP Latents》，作者为 Aditya Ramesh、Prafulla Dhariwal、Alex Nichol、Casey Chu 和 Mark Chen ^[2]。它是 OpenAI 继原版 DALL·E 之后推出的第二代文本生成图像系统。

由来

该系统的方法分为两个主要部分。先验模型（prior）把文字描述转化为 CLIP 图像嵌入，即图像含义的数值表示；然后扩散解码器（diffusion decoder）根据这一嵌入生成图像。这一设计使得模型能够生成现有图像的变体，并支持语言引导的编辑 ^[2]。

扩散模型从随机噪声出发，在输入的引导下逐步把它细化为图像。以 CLIP 嵌入作为条件，意味着图像是由一个同时连接文字与图片的表示来引导的。

该模型使用 35 亿参数，少于 120 亿参数的原版 DALL·E ^[1]。

主要特点

模型支持图像变体（variations），即生成给定图像的新版本；也支持语言引导的编辑（edits），即按照文字指令改动图像的一部分 ^[2]。扩图（outpainting）功能可将图像向边界之外延伸，于2022年8月31日推出 ^[1]。

DALL·E 2 于2022年7月20日进入测试版（beta）。测试版向候补名单中的 100 万人发出邀请，并提供每月免费积分；额外积分以每 115 次生成为一档、售价 15 美元出售 ^[1][3]。

候补名单于2022年9月28日取消，此后任何人都可以注册使用 ^[1]。

API 与定价

2022年11月初，API 开放访问，图像按分辨率逐张定价 ^[1]。

退役

OpenAI 于2025年11月14日宣布弃用该 API，dall-e-2 模型于2026年5月12日关停 ^[4]。弃用是指模型计划被淘汰，关停则意味着它不能再被使用。

在谱系中的位置

DALL·E 2 是原版 DALL·E 的后继者，2023年 之后由 DALL·E 3 接替 ^[1]。它在这一脉络中的主要设计，是把 CLIP 嵌入与扩散解码器结合起来。

对读者而言，DALL·E 2 是一个重要的里程碑：它把文本生成图像从研究论文和候补名单，推进为带有公开 API 的付费服务。