DALL·E 2
Etapa 5 · IA generativa, razonamiento y agentes (2022–2026) › Imagen, vídeo y mundo físico
- Linaje
- Neuronas y redes
- Tipo
- Implementación
Quién
OpenAI
Qué ocurrió
OpenAI presenta DALL·E 2, que genera imágenes a partir de texto con un modelo de difusión guiado por las representaciones de CLIP. Sus imágenes, mucho más realistas y variadas que las del primer DALL·E, permiten también crear variaciones de una foto y editarla con palabras.
Qué aportó
Imágenes fotorrealistas desde texto. La generación de imágenes con difusión llega al gran público.
Desarrollo
El primer DALL·E, de enero de 2021, era un Transformer que generaba la imagen pieza a pieza. Un año después, OpenAI cambió de método y apostó por la difusión, que desde 2020 competía con las mejores redes antagónicas.
DALL·E 2 funcionaba en dos pasos. Un primer modelo, llamado previo, tomaba la descripción escrita y producía una representación de imagen en el espacio de CLIP, el modelo que relaciona imágenes y textos. Después, un decodificador de difusión generaba la imagen a partir de esa representación. Según el artículo, pasar por ese paso intermedio aumentaba la variedad de las imágenes sin perder apenas realismo ni fidelidad a la descripción. Como la representación de CLIP recoge a la vez el contenido y el estilo, el sistema podía crear variaciones de una imagen existente y modificarla con instrucciones escritas.
OpenAI lo anunció el 6 de abril de 2022, y el artículo técnico, firmado por Aditya Ramesh y cuatro colegas, salió una semana después.
Ese mismo año llegaron Imagen, de Google, y Stable Diffusion, también basados en la difusión.
Viene de
DALL·E y CLIP (5 de enero de 2021)
Influencia directa documentada
DALL·E 2 genera primero una representación de imagen en el espacio de CLIP y después la imagen a partir de ella (resumen)
DDPM (19 de junio de 2020)
Influencia directa documentada
El decodificador de DALL·E 2 es un modelo de difusión, y la difusión latente de Stable Diffusion aplica los modelos de difusión en un espacio comprimido; los dos artículos citan a Ho y otros (2020)
Hilos que pasan por aquí
- De la difusión al modelo de mundo (paso 4 de 7)
- Del ruido a la imagen (paso 6 de 7)
Bibliografía
Fuente original
- Hierarchical Text-Conditional Image Generation with CLIP Latents (arXiv:2204.06125) (se abre en una pestaña nueva). Aditya Ramesh, Prafulla Dhariwal, Alex Nichol, Casey Chu y Mark Chen, 2022. licencia libre: CC BY 4.0
Cómo citar
«DALL·E 2». En La historia de la IA, revisión del 13 de noviembre de 2026. https://thehistoryofai.com/es/hito/dalle-2
Última revisión de esta ficha: 13 de noviembre de 2026.