DALL-E 2: storia e funzionamento del generatore di immagini OpenAI

DALL-E 2 è stato il secondo modello di generazione di immagini sviluppato da OpenAI, gli autori di ChatGPT. Lanciato in beta a gennaio 2022 e reso disponibile pubblicamente a settembre dello stesso anno, ha rappresentato un salto qualitativo rispetto alla prima versione, introducendo immagini più fotorealistiche e una risoluzione superiore. Nel 2026, DALL-E 2 è ormai considerato un modello legacy: OpenAI ha infatti dismesso l’accesso alle API di DALL-E 2 a partire dal 2024, sostituendolo prima con DALL-E 3 e successivamente con la famiglia GPT Image, oggi integrata nativamente in ChatGPT.

In questo articolo scoprirai:

• Cos’è DALL-E 2 e come è stato allenato
• Cosa si poteva fare con DALL-E 2
• Differenze tra DALL-E e DALL-E 2
• Lo stato attuale di DALL-E 2 nel 2026 e i suoi successori
• Le norme e la sicurezza di DALL-E 2

DALL-E 2: cos’era e perché è stato importante

DALL-E 2 è un algoritmo di intelligenza artificiale che sfrutta una variante di GPT-3 combinata con un modello di diffusione per tradurre un testo inserito dall’utente in un’immagine. L’embedding è una rappresentazione vettoriale che traduce parole e immagini in numeri, posizionandoli in uno spazio matematico condiviso dove concetti simili risultano vicini. L’algoritmo è uscito in beta a gennaio 2022 e a giugno 2022 è stata aperta la waitlist per gli utenti, come documentato nel paper originale di Ramesh et al., 2022.

Da settembre 2022 l’accesso è stato aperto a tutti senza più limitazioni. Nel febbraio 2024 OpenAI ha annunciato la deprecazione del modello dall’interfaccia ChatGPT, mantenendolo inizialmente solo via API e dismettendolo definitivamente nel corso del 2024 a favore di DALL-E 3 e successivamente dei modelli GPT Image.

Attraverso DALL-E 2 era possibile creare qualsiasi tipo di immagine (purché si rispettassero le norme di sicurezza imposte da OpenAI) semplicemente descrivendone le caratteristiche.

Un esempio storico preso da OpenAI creato con questo input “An astronaut riding a horse in space in a photorealistic style”:

Come è stato allenato DALL-E 2

DALL-E 2 è stato addestrato combinando il modello CLIP per l’allineamento testo-immagine con un decoder a diffusione che genera pixel a partire dagli embedding. Per allenare DALL-E 2 i programmatori di OpenAI hanno utilizzato il modello CLIP (Contrastive Language-Image Pre-training), un modello di intelligenza artificiale che si è dimostrato particolarmente efficace nell’apprendimento congiunto di immagini e testo (Shen et al., 2021).

I programmatori hanno quindi inizialmente preso un dataset (x,y). Per ogni x (una immagine) era associata una y (un testo descrittivo).

Il primo step è stato creare a partire dalle due variabili x e y, attraverso il modello CLIP, le rispettive immagine CLIP embeddata (zi) e il testo CLIP embeddato (zt). L’embedding di fatto crea uno spazio rappresentazionale in cui testi e immagini sono collegati tra loro.

Creazione del modello generativo

Una volta ottenuti i valori embeddati di zi e zt, per generare nuove immagini con DALL-E 2 è stato necessario costruire un modello generativo. Per fare questo i programmatori hanno utilizzato due componenti:

• Una prior definita da P(zi|y): viene creata una immagine CLIP zi condizionata dal valore di y, cioè da un testo.
• Un decoder definito da P(x|zi, y) che produce immagini condizionate dall’immagine CLIP zi (prodotta dalla prior nel passaggio precedente), e condizionate anche dall’eventuale valore di y (ossia il testo descrittivo dell’immagine).

Detto in parole più semplici: il decoder produce delle immagini a partire da immagini CLIP embeddate. Il prior produce immagini CLIP embeddate a partire da un testo.

Unendo queste due componenti si riesce quindi a creare un’immagine x a partire da una frase y. Una volta allenato il modello, è possibile far inserire all’utente un testo descrittivo (salvato nella variabile y) e ottenere come output un’immagine x.

Espresso più formalmente: P(x|y)

Sopra alla linea tratteggiata è descritto il processo di CLIP training in cui viene creato uno spazio rappresentazionale tra testo e immagine.

Sotto la linea tratteggiata è descritto il processo di generazione dell’immagine. Il testo CLIP embeddato viene passato al prior, che produce un’immagine embeddata, che a sua volta viene utilizzata come condizione nel decoder che produce l’immagine finale.

*Immagine presa da Ramesh et al., 2022, https://arxiv.org/abs/2204.06125

Cosa si poteva fare con DALL-E 2

DALL-E 2 era un sistema AI avanzato che consentiva di:

• creare immagini completamente originali (mai esistite prima) a partire da semplici stringhe di testo.
• editare immagini già esistenti aggiungendo, togliendo o modificando elementi dell’immagine (funzione chiamata inpainting).
• ottenere variazioni di una immagine fornita dall’utente.

L’inpainting è una tecnica di editing che permette di modificare selettivamente porzioni di un’immagine mantenendo coerenza con il resto della composizione: l’utente seleziona un’area, descrive cosa vuole vederci e il modello ridipinge quella regione integrandola con i pixel circostanti. All’epoca questa funzionalità rappresentava un passo avanti notevole rispetto agli editor tradizionali basati su layer e maschere manuali.

Qui sotto un esempio di come funzionava DALL-E 2 e della sua interfaccia, molto essenziale rispetto agli standard attuali dei generatori AI nel 2026:

Differenze tra DALL-E e DALL-E 2

DALL-E 2 si distingue dal predecessore per una qualità visiva nettamente superiore, una migliore comprensione del prompt e l’introduzione di funzionalità di editing assenti nella prima versione. DALL-E 2 rappresenta la versione evoluta di DALL-E. Il primo è stato pubblicato a gennaio 2021, mentre DALL-E 2 è arrivato a gennaio 2022. Le principali differenze tra DALL-E e DALL-E 2 sono:

• DALL-E consentiva solo di creare immagini a partire da testo. DALL-E 2 consentiva anche di modificare parti dell’immagine, sempre usando il linguaggio naturale.
• DALL-E 2 è migliore nella comprensione del testo richiesto e fornisce risultati più coerenti con il prompt dell’utente.
• La risoluzione delle immagini prodotte da DALL-E 2 è aumentata rispetto alla versione precedente.
• Con DALL-E 2 è possibile caricare immagini proprie e modificarle, oppure ottenere versioni differenti.

DALL-E 2 nel 2026: stato attuale e successori

Nel 2026 DALL-E 2 non è più operativo: OpenAI ha completato la transizione verso modelli successivi molto più capaci. La sequenza evolutiva dei generatori di immagini di OpenAI è oggi la seguente:

• DALL-E 3 (ottobre 2023): integrato direttamente in ChatGPT, con una comprensione del prompt nettamente superiore. Approfondimento: guida a DALL-E 3.
• GPT Image 1 e GPT Image 1.5: la nuova famiglia di modelli multimodali nativi, capace di generare immagini con rendering di testo affidabile e fedeltà fotorealistica. Vedi: GPT Image 1.5.
• ChatGPT Images 2.0: l’attuale interfaccia consumer per la generazione e l’editing di immagini, integrata in ChatGPT.

Per una panoramica aggiornata del mercato, è utile consultare la rassegna dei migliori strumenti AI per la generazione di immagini del 2026, dove DALL-E 2 figura ormai solo come riferimento storico.

Il salto generazionale è evidente soprattutto sul piano dell’aderenza al prompt: mentre DALL-E 2 tendeva a ignorare dettagli compositivi complessi o relazioni spaziali tra oggetti (limite analizzato in Testing Relational Understanding in Text-Guided Image Generation, 2022), GPT Image 1.5 gestisce nativamente prompt lunghi, sequenze multi-soggetto e istruzioni di editing iterativo dentro la stessa conversazione ChatGPT. Si è passati da un paradigma a due moduli separati (CLIP encoder + diffusion decoder) a un’architettura multimodale unica in cui generazione testuale e visiva condividono lo stesso modello.

Utilizzi storici di DALL-E 2

Durante il suo periodo di operatività, DALL-E 2 è stato integrato in diversi servizi commerciali. Il caso più noto è il generatore di immagini di Bing di Microsoft (Image Creator), che ha utilizzato DALL-E 2 come motore prima di migrare a DALL-E 3.

DALL-E 2 è stato anche un riferimento importante per la ricerca accademica e per startup creative, prima di essere superato dalle generazioni successive di modelli OpenAI e dai concorrenti come Midjourney, Stable Diffusion e Google Imagen. In ambito enterprise il modello è stato usato per prototipazione di concept visivi, asset per pubblicità digitale e mockup editoriali; molti workflow nati attorno a DALL-E 2 sono poi stati migrati con minime modifiche di prompt verso DALL-E 3 e GPT Image, segno che la grammatica del text-to-image introdotta da OpenAI è rimasta sostanzialmente stabile anche con cambi di architettura sottostante.

Limiti di DALL-E 2

I limiti di DALL-E 2 riguardavano da una parte la capacità del modello di comprendere esattamente quello che desideriamo (o l’incapacità dell’utente di esprimerlo chiaramente al modello), dall’altra i numerosi errori derivanti da un progetto in fase di ricerca e sviluppo, come evidenziato anche da analisi preliminari del modello pubblicate nel 2022.

Ad esempio DALL-E 2 era paradossalmente molto scarso nello scrivere testo all’interno delle immagini quando espressamente richiesto (es. “una casa gialla con un lenzuolo appeso bianco con la scritta ‘ti vogliamo bene'”). Questo limite è stato in larga parte risolto dai successori, in particolare da GPT Image 1.5.

Questo difetto era legato a come veniva costruita l’immagine: a livello computazionale, il testo specifico assumeva — come il resto del prompt — una forma probabilistica e non deterministica. Inoltre nella decodifica un peso maggiore era dato all’immagine CLIP piuttosto che al testo inserito dall’utente. Altri limiti documentati includevano una gestione approssimativa delle relazioni spaziali (“a sinistra di”, “sopra”), la frequente comparsa di mani e dita malformate, e una scarsa coerenza nel rendere lo stesso personaggio su più immagini consecutive, problema oggi mitigato dai sistemi di character consistency di GPT Image.

Norme di sicurezza e policy di DALL-E 2

Per utilizzare DALL-E 2 esistevano condizioni molto rigide, pena il ban. Le norme erano legate alle possibilità — praticamente infinite — di creare immagini che sembrassero reali. Non era consentito inserire immagini di personaggi pubblici per evitare deepfake, né caricare il proprio viso o quello di altre persone. Altre norme vietavano contenuti a sfondo sessuale, di odio o razzismo. Queste policy sono state poi rafforzate ed estese ai modelli successivi della famiglia GPT Image, anche in risposta all’entrata in vigore dell’AI Act europeo e a obblighi specifici sul watermarking dei contenuti sintetici.

FAQ su DALL-E 2

DALL-E 2 è ancora utilizzabile nel 2026?

No. OpenAI ha dismesso DALL-E 2 nel corso del 2024, sia dall’interfaccia ChatGPT sia dalle API. Oggi gli utenti accedono direttamente a DALL-E 3 (in modalità legacy) e ai modelli GPT Image tramite ChatGPT e l’API images.generate.

Qual è la differenza tra DALL-E 2 e GPT Image 1.5?

DALL-E 2 era basato su un’architettura unCLIP + diffusion model con due moduli separati (prior e decoder). GPT Image 1.5 è invece un modello multimodale nativo che genera pixel direttamente all’interno dell’architettura GPT, offrendo migliore rendering del testo, maggiore coerenza compositiva e supporto per editing più fine. Vedi la guida a GPT Image 1.5.

Posso ancora trovare l’API di DALL-E 2?

L’endpoint image-alpha-001 è stato deprecato. Le chiamate vanno indirizzate ai modelli correnti (gpt-image-1 e successivi). La documentazione storica resta consultabile sul sito OpenAI a scopo di archivio.

DALL-E 2 supportava il rendering del testo nelle immagini?

Molto male. Era uno dei limiti più noti del modello, dovuto al peso predominante dell’embedding CLIP rispetto al prompt testuale nella fase di decoding. Il problema è stato in gran parte risolto con DALL-E 3 e completamente con GPT Image.

Fonti:

• DALL·E Now Available Without Waitlist – OpenAI
• Ramesh et al., 2022 – Hierarchical Text-Conditional Image Generation with CLIP Latents
• Shen et al., 2021 – How Much Can CLIP Benefit Vision-and-Language Tasks?
• Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding (Imagen)
• Illiterate DALL-E Learns to Compose
• A very preliminary analysis of DALL-E 2
• DALL-E for Detection: Language-driven Context Image Synthesis for Object Detection
• Testing Relational Understanding in Text-Guided Image Generation