待验证60% 置信事实时间未知
DALL·E 1基于离散VAE和Transformer架构实现文本到图像生成
2
来源数
60%
置信度
长期有效
时效性
2026/6/2
首次发现
来源
GPT-Image-2免费使用教程：国内直连入口与实测体验
bilibili樱桃小炸蛋
涉及实体
相关事实
待验证DALL-E于2021年由OpenAI发布，将Transformer与图像生成结合，首次展示从文本描述直接生成图像72% 相似待验证Qwen3.5多模态版本基于Vision Transformer（ViT）架构处理图像输入，将图像分割为固定大小的patch作为token输入Transformer编码器71% 相似已验证多模态大模型通过视觉编码器（通常基于Vision Transformer架构）将输入图像分割为若干patch并编码为向量序列，与文本token在同一Transformer架构中进行联合注意力计算69% 相似待验证Transformer架构被引入视觉生成（如Vision Transformer、DiT架构），使模型能更好理解图像不同区域间的全局关系，适用于多模态场景中文本token和图像token的统一处理69% 相似已验证GPT-Image-2很可能采用了原生多模态架构，文本理解和图像生成共享同一个Transformer骨干网络68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/37142API
curl https://kongchang.com/api/v1/knowledge/claims/37142MCP
get_claim(id=37142)