文生图 · 编年观察 访问官网 ↗

从 120 亿参数到一句话出图：DALL·E 三代演进编年

DALL·E 是 OpenAI 推出的文本生成图像模型系列，名字由超现实主义画家萨尔瓦多·达利与皮克斯动画角色瓦力拼接而来。从 2021 年初代惊艳学界的「牛油果扶手椅」，到 2023 年第三代直接住进 ChatGPT 对话框，这个系列用三年时间完成了文生图从实验室演示到全民创作工具的跨越[6]。本页按时间顺序梳理三代的关键节点、能力差异与提示词写法。

适用读者：想系统了解 DALL·E 脉络的产品经理、设计师与 AI 爱好者 · 全文含结构化数据

三代演进时间线

2021 年 1 月

初代 DALL·E：概念验证的惊鸿一瞥

  • OpenAI 在官网发表论文《Zero-Shot Text-to-Image Generation》，将 GPT-3 架构改造为图像自回归模型，参数规模约 120 亿[3]
  • 演示图「牛油果形状的扶手椅」「斜切萝卜骑马装」成为 AI 史上被引用最多的配图之一，证明语言模型可以理解罕见概念组合
  • 同日发布的 CLIP 模型让机器能把图像与文字对齐，成为后来几乎所有文生图模型的评分与引导基石[5]
  • 初代未对公众开放，仅以论文与样例示人，但已奠定「文本即画笔」的产品哲学
2022 年 4 月至年底

DALL·E 2：分辨率翻四倍，全民开放

  • 采用 unCLIP 架构：先验模型把文本映射到 CLIP 图像嵌入，扩散解码器据此生成图像，输出分辨率提升至 1024×1024，较初代提高四倍[4]
  • 新增三大能力：局部重绘（inpainting）改掉画面指定区域、变体（variations）一键衍生同款不同版本、随后上线的画布扩展（outpainting）向原图外无限续画
  • 夏季以候补名单形式小范围测试；9 月下旬 OpenAI 宣布取消候补机制全面开放，百万级用户涌入，免费额度制度同步确立[6]
  • 同年微软必应上线图像创建工具并接入 DALL·E 系列，成为其触达大众的第一条高速通道
2023 年 9 月起

DALL·E 3：搬进 ChatGPT 的对话框

  • 最大变化是原生集成进 ChatGPT：不再需要单独的输入框，用户在对话里直接描述想法即可出图，Plus 与 Enterprise 订阅用户率先可用[1]
  • 语义还原大幅增强：ChatGPT 会自动帮用户扩写和润色提示词，弥补「想到说不出」的表达落差，提示词工程的门槛显著降低
  • 安全策略收紧：拒绝生成公众人物的写实肖像，限制模仿在世艺术家的风格请求[1]
  • 2024 年起生成的图像嵌入 C2PA 内容凭证元数据；此后 OpenAI 又引入 SynthID 隐形水印并开放公开验证工具，构建多层溯源体系[2]

四张能力卡：它能替你做什么

文生图

一句中文或英文描述生成对应画面，支持横版、竖版与方形的常见比例，适合插画、海报底稿与概念探索。

局部重绘

圈选画面中不满意的区域并用文字描述新内容，其余像素保持不动，改招牌文字、换背景元素时特别高效。

画布扩展

把竖版照片向左右延展成横幅，或让一张小图长成完整场景，模型会顺着原画风补全边界之外的世界。

风格变体

上传任意图片生成多个构图相似、细节各异的衍生版本，是找灵感、做方案对比的低成本手段。

与 ChatGPT 集成意味着什么

过去使用文生图工具像是在「念咒语」：要背一堆质量词、镜头词、艺术家名，才能换来勉强及格的画面。DALL·E 3 把大语言模型放在了用户和扩散模型中间——你说「帮我画一张适合公众号封面的图，主题是秋天的图书馆」，ChatGPT 会先追问细节偏好，再把你的口语扩写成结构完整的提示词交给模型渲染。

「把天空改成黄昏色调，人物保持不变。」——在集成形态下，修改图像就像聊天一样自然，每一轮对话都是一次精准的局部迭代，这正是对话式界面重新定义创作工具的地方。

对普通用户的实际影响有三层：一是上手成本几乎归零，会打字就会出图；二是迭代效率提高，改需求不需要重写整段提示词；三是产出可控性增强，语言模型的常识补全减少了「驴唇不对马嘴」式的理解偏差。[1]

提示词写法技巧清单

  1. 主体先行：第一句话锁定核心对象与动作，例如「一只橘猫趴在钢琴键盘上」，再补充环境细节。
  2. 风格锚点放句尾：水彩、胶片颗粒、像素艺术、等距 3D 渲染等风格词置于句末，权重更稳定。
  3. 交代视角与景别：俯拍、特写、广角全景这类摄影词汇能直接改变构图，比反复重抽更省额度。
  4. 光线即情绪：黄昏逆光、霓虹夜雨、烛光暖调等光照描述对氛围的影响远超一般形容词。
  5. 让 ChatGPT 先扩写：先用大白话说清意图，接受它给出的润色版提示词，再手动删掉不需要的部分。
  6. 负向约束用自然语言：直接写「画面中不要出现文字和水印」，比堆砌参数更符合该系列的解析习惯。
  7. 同一提示词多抽几次：扩散模型每次采样都不同，先批量生成再择优，胜过反复微调文案。
  8. 单变量迭代：每次只改一个要素（如只换风格词），才能判断哪个改动真正起了作用。

三代速查表

维度DALL·E 初代（2021）DALL·E 2（2022）DALL·E 3（2023）
架构思路GPT-3 式自回归，离散图像令牌[3]unCLIP：CLIP 嵌入先验加扩散解码[4]在第二代基础上强化语义对齐与安全栈
输出分辨率256×256 与 512×5121024×1024延续高分辨率并优化比例选项
标志性能力罕见概念组合的概念验证重绘、扩展、变体三件套ChatGPT 内对话式出图与自动扩写提示词
获取方式未公开，仅研究展示独立网页产品，后并入 ChatGPT 体系ChatGPT Plus/Enterprise 及 API[1]
溯源措施无无C2PA 凭证与 SynthID 水印[2]

常见问题

Q1
DALL·E 3 免费能用吗？

OpenAI 曾向免费用户提供限量额度，付费订阅则享有更高上限与更稳定的访问。额度政策多次调整，当前的具体配额以官方定价页为准。[1]

Q2
生成的图片可以商用吗？

按 OpenAI 服务条款，用户通常拥有所生成内容的使用权并可用于商业目的，但需自行确保不侵犯他人权利、遵守内容政策；条款会更新，商用前建议查阅最新版本。

Q3
为什么手指和画面里的文字经常出错？

手部姿态自由度极高而训练样本中的手往往被遮挡，文字则要求模型同时掌握字形与排版，两者都是扩散模型的固有难点。DALL·E 3 已明显改善英文短文本渲染，复杂长句仍建议后期用设计软件补字。

Q4
它与 Midjourney 该怎么选？

DALL·E 3 强在语义理解与对话式修改，适合把模糊想法快速落成可用的图；Midjourney 以美学风格见长，适合追求视觉冲击的成品图。预算允许的话，多数创作者会两个都留。

Q5
现在还有更新的图像模型吗？

有。OpenAI 此后在 GPT 系列中推出了更新的原生图像生成能力，DALL·E 3 逐步成为历史版本但仍保留相关页面供了解。本页聚焦 DALL·E 系列本身，最新产品动态以其官方公告为准。[1]

参考资料

  1. 来源：OpenAI 官方——DALL·E 3 发布公告与产品页 openai.com/index/dall-e-3
  2. 来源：OpenAI 官方博客——推进内容溯源：C2PA 内容凭证与 SynthID 水印 openai.com/index/advancing-content-provenance
  3. 来源：arXiv 论文 2102.12092——Zero-Shot Text-to-Image Generation（DALL·E 初代） arxiv.org/abs/2102.12092
  4. 来源：arXiv 论文 2204.06125——Hierarchical Text-Conditional Image Generation with CLIP Latents（DALL·E 2 / unCLIP） arxiv.org/abs/2204.06125
  5. 来源：arXiv 论文 2103.00020——Learning Transferable Visual Models From Natural Language Supervision（CLIP） arxiv.org/abs/2103.00020
  6. 来源：维基百科 DALL-E 词条——三代发布时间线与开放历程 en.wikipedia.org/wiki/DALL-E
青衣网络 AI 观察团队 · 最后更新 2026-08-25