能补图与能识别，需要两张成绩单
课堂上下文：从哪个问题来
重建结果与表示用途分开评价，并给出真实正面研究结果和课程小模型结果各自的身份。
重建评价比较预测像素与原图，冻结读出则固定编码器，用有标签参考集或新头预测类别。前者回答模型是否利用可见结构恢复缺失，后者回答这份表示能否支持指定用途。
当前LAB 08的历史基准用1257张训练、540张保留的8×8数字图。去噪ConvAE的全像素MSE从直接使用破坏图的0.06244降至0.03217；清洁输入h的冻结5NN则从相同架构随机起点84.26%提高到95.00%。遮挡ConvAE的对应读出从88.52%到92.04%。这里是两份独立测量共同支持有用性。
原图先切分，再生成噪声和mask；标签不进入重建损失。结果来自已保存运行，本轮没有重训；当前Notebook另记有旧云端复核。它不是原ViT MAE复现，也没有写作者分组，不能据此声称跨写作者泛化。