OpenAI presentó CLIP (contraste texto–imagen) y DALL·E (generación de imágenes desde texto), catalizando la ola multimodal.
A inicios de 2021, OpenAI reveló CLIP —entrenamiento contraste sobre pares imagen–texto a escala web— y DALL·E —transformer que genera imágenes desde captions.
CLIP se volvió encoder ubicuo; DALL·E popularizó prompt art. Competidores (Midjourney, Stable Diffusion) democratizaron el acceso.
La multimodalidad pasó de paper a producto cotidiano, con nuevas preguntas sobre copyright de datos de entrenamiento y deepfakes.
OpenAI lanzó GPT-4 con mejoras notables en exámenes profesionales, robustez y capacidad visual en variantes posteriores.
La capacidad de visión en chatbots permitió razonar sobre diagramas, capturas y documentos escaneados en un solo hilo.
Sistemas fronterizos combinaron diagramas, papers PDF y código en un solo hilo de razonamiento verificado por herramientas.