OpenAI 最近发布了 DALL·E 2 系统，在 AI 界引发了「地震」，该系统能够根据文本描述创建图像。这是 DALL·E 系统的第二个版本，第一个版本是在近一年前发布的。然而，在 OpenAI 内部，DALL·E 2 背后的模型被称为 unCLIP，它更接近于 OpenAI 的 GLIDE 系统，而不是原始的 DALL·E。

本文旨在带领读者一览 OpenAI 的文本引导图像生成模型的演变，梳理了较为优秀的多模态文本图像模型：DALL·E、CLIP、GLIDE、DALL·E 2 (unCLIP)的模型框架、优缺点，及其迭代关系。

内容中包含的图片若涉及版权问题，请及时与我们联系删除