# CLS 03 · 视觉与语言：任务、训练与接口

主线阅读与优先实验

caption历史、VQA、CLIP候选、关系控制、GLIP/LLaVA与生成桥梁
对应课堂（11 页）
可先阅读已有结果，再决定是否运行。重算时请核对各节记录的数据、参数、环境与日期。

**学习路径：** [文字候选与图文检索](/course/study/clip-retrieval.html)



同一张图可以配文字、生成描述、回答问题，也可以按短语返回区域。本册把这四种输出放到同一条线上：语言此刻是答案、学习信号，还是任务条件？



| 你想解决的问题 | 先读 | 再做或深读 |
| --- | --- | --- |
| 图像怎样改变一句话或一个答案 | [P51 描述](/course/pages/l3-r2-p51.html)、[P54 问答](/course/pages/l3-r2-p54.html) | [CLS 09](https://deepnote.com/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/c9f328a00ef44ecc90804e47276a7811)，按兴趣选 LAB13 或 LAB14 |
| 图文配对怎样得到可复用表示 | [P57 矩阵](/course/pages/l3-r2-p57.html)、[P58 候选](/course/pages/l3-r2-p58.html) | 优先 [LAB 04](https://deepnote.com/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/0ba963931ddf4866b507b210d93a43bf)；需要图库缓存时再进 LAB12 |
| 一句话指哪个对象，视觉如何接入语言模型 | [P63 定位](/course/pages/l3-r2-p63.html)、[P64 接口](/course/pages/l3-r2-p64.html) | [CLS 11](https://deepnote.com/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/95169c3e298c4c819373bb4534f3dff9)，其中 LAB15 是可复算的关系规则练习 |



读完应能为一个任务说清输入、训练目标、输出和适合的检验；不要求把所有分支顺序运行。本册的矩阵与规则代码是小算例，真实CLIP模型证据在LAB04。最后用[条件多解](/course/blocks/generation-one-condition-many-results.html)连接第四讲；用[研究划分小例](/course/blocks/research-question-split-evidence.html)检验自己的评价是否对应未来场景。

[此段独立阅读](/course/notebook-blocks/009d0db9c9574995bdb7be7a82e66c8d.html)
### 1. 语言可以在同一系统里承担三种作用
[此段独立阅读](/course/notebook-blocks/c13dcb1596e44be4b9e7a5f06c6f04ef.html)
前一部分用框和点指定对象。现在把任务说出来：“描述这张桌面图”“找到红杯”“谁拿着球”。这些句子对系统提出的输出要求不同。



| 语言的作用 | 本部分追问 | 需要建立的接口 |
| --- | --- | --- |
| 作为输出 | 如何利用图像和已生成词，描述所见？ | 视觉表示连接词序列预测 |
| 作为学习信号 | 图文配对怎样教会匹配与检索？ | 图像与文本进入可比较空间 |
| 作为任务条件 | 这句话指哪个区域，或要求回答什么？ | 区域—词语对应，或视觉条件下的指令作答 |



这不是互斥的三类系统，也不是后一阶段淘汰前一阶段。一个视觉助手可以使用图文配对学习，用问题指定任务，再生成文字回答。先明确语言此刻的作用，再讨论需要的训练与接口。

[此段独立阅读](/course/notebook-blocks/7ae8158cd82e44c29bd3cc05ccee7103.html)
### 2. 语言作为输出：看图说话怎样接上已有能力？
[此段独立阅读](/course/notebook-blocks/8011bff99a6d4beb88ae230911fbb097.html)
图像描述学习 $p(y_t\mid I,y_{<t})$：视觉特征与已有文字一起决定下一词。训练时配对描述给出目标；推理时从开始符号出发，只能接续自己的输出，直到结束符号。今天先把这条接口看清，循环网络内部留第五讲。



[返回图像条件的课堂图](/course/pages/l3-r2-p51.html)。完整的 shifted target、EOS/PAD 和保留集生成对照归并到 [CLS 09 · 图像条件输出：描述与问答](https://deepnote.com/workspace/ise3309jingao-5ba66b0a-4283-4f5a-ae06-3f68d3201e99/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/c9f328a00ef44ecc90804e47276a7811?utm_source=openai&utm_medium=mcp&utm_campaign=openaimcp&utm_content=c9f328a00ef44ecc90804e47276a7811&utm_term=get_notebook) 与 [LAB 13 · 看图生成一句话：训练、解码与消融](https://deepnote.com/workspace/ise3309jingao-5ba66b0a-4283-4f5a-ae06-3f68d3201e99/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/3da47f3ee3554ee0a36e0bb6a2fdc61f?utm_source=openai&utm_medium=mcp&utm_campaign=openaimcp&utm_content=3da47f3ee3554ee0a36e0bb6a2fdc61f&utm_term=get_notebook)；本册不复制两份训练说明。



一张图可有多种真实描述。“桌上有杯子”与“左侧红杯靠近书”聚焦信息不同。先说明任务要求概括还是详细描述，再判断遗漏是否构成错误。[图像条件怎样进入一个可变长度答案](/course/blocks/caption-conditioned-token.html) · [已保存的条件生成实验：视觉输入确实改变了句子](/course/blocks/caption-visual-controls.html)。

[此段独立阅读](/course/notebook-blocks/9af985696da54136a73aa78d650b93c5.html)
### 研究背景：组件到位后，选择哪一个新问题？



2014–2016 年，视觉预训练、文字预测与图文数据汇合，出现描述、区域对齐和视觉问答等不同研究入口。Trevor Darrell 是 LRCN 的共同作者之一；这里使用公开研究背景，不推断个人动机或讲者私下经历。



这段历史的重点是正面进展：已有表示确实开始支持可训练、可比较的新任务。再问组合缺口和局部关系，才知道后续工作为何需要新机制。[课堂历史图](/course/pages/l3-r2-p50.html) · [历史事实、评价结果与来源](/course/blocks/vl-history-convergence.html) · [DCC 的配对缺口](/course/blocks/caption-compositional-gap.html)。

[此段独立阅读](/course/notebook-blocks/7895864a9980401b8e3526beca11f36f.html)
### 3. 语言作为学习信号：把配对变成可比较关系
[此段独立阅读](/course/notebook-blocks/6a1571aafa7e44d8b3a0654c78166412.html)
CLIP 使用已配对的图像与文字，同时训练两种编码器。训练后，可以把“a photo of a cup”等候选描述编码成文字向量，与图像向量比较，做分类或在已有集合中检索。[CLIP](https://proceedings.mlr.press/v139/radford21a.html)



这项能力来自配对学习：图像向量与文字向量本来并不天然处在可比较的坐标系。图文配对包含人的文字和数据选择，是外部学习信号；不使用固定类别标签不等于完全没有监督。



设红杯、蓝杯、书三张图分别与三段描述配对。把归一化表示记为 uᵢ 和 vⱼ，组成 `Sᵢⱼ=uᵢᵀvⱼ`。每一行回答“这张图配哪段文字”；每一列回答“这段文字配哪张图”。正确配对位于对角线，两种方向的分类损失一起参与训练。

[此段独立阅读](/course/notebook-blocks/f0aeadb1c331456f96ceb967cfb16a4c.html)
### 活动 A：一张小矩阵，两种查找方向



行与列共同使用红杯、蓝杯、书的固定顺序。构造三维单位图像向量为三个坐标轴；对应文字向量在自身轴上取 4、另外两轴上取 1，再除以 √18 归一化。因此下表的每一项都是真正的余弦相似度：对角为 4/√18≈0.9428，非对角为 1/√18≈0.2357。这些向量是教学构造，不是 CLIP 推理输出。



|  | 红杯描述 | 蓝杯描述 | 书描述 |
| --- | --- | --- | --- |
| 红杯图 | 4/√18 | 1/√18 | 1/√18 |
| 蓝杯图 | 1/√18 | 4/√18 | 1/√18 |
| 书图 | 1/√18 | 1/√18 | 4/√18 |



先将温度设为 τ=1，令 logits=S/τ。**先预测：** 把蓝杯文字向量对红杯轴的权重从 1 改大并重新归一化，哪张图与哪段文字的正确配对可能变难？运行后分别看行与列的正确配对概率，而不是只看一个总分。



批内未配对不保证语义完全无关，近重复和描述质量都会影响目标。这里先固定对角配对关系，隔离双向损失的计算。



按默认构造计算，行、列方向的正确配对概率均约为 `[0.5035, 0.5035, 0.5035]`，双向平均损失约 `0.686192`。这是本页教学向量的确定性计算结果，可先阅读再改条件。

[此段独立阅读](/course/notebook-blocks/66b6304ea0cf47dd9c5bb009263057ab.html)展开完整实现代码
```
# 独立 CPU 的双向配对目标；余弦来自归一化教学向量。
import math
objects = ['redcup', 'bluecup', 'book']
image_vectors = [[1.0,0.0,0.0],[0.0,1.0,0.0],[0.0,0.0,1.0]]
text_weights = [[4.0,1.0,1.0],[1.0,4.0,1.0],[1.0,1.0,4.0]]
def normalize(vector):
    norm=math.sqrt(sum(x*x for x in vector))
    return [x/norm for x in vector]
text_vectors=[normalize(vector) for vector in text_weights]
S=[[sum(a*b for a,b in zip(u,v)) for v in text_vectors] for u in image_vectors]
temperature=1.0
logits=[[s/temperature for s in row] for row in S]
def softmax(row):
    exps=[math.exp(x-max(row)) for x in row]
    return [x/sum(exps) for x in exps]
row_prob=[softmax(row) for row in logits]
col_prob=[softmax(list(col)) for col in zip(*logits)]
row_loss=-sum(math.log(row_prob[i][i]) for i in range(3))/3
col_loss=-sum(math.log(col_prob[i][i]) for i in range(3))/3
print('对象顺序:',objects,'温度:',temperature)
print('余弦矩阵:',[[round(s,6) for s in row] for row in S])
print('每张图找正确文字:',[round(row_prob[i][i],4) for i in range(3)])
print('每段文字找正确图:',[round(col_prob[i][i],4) for i in range(3)])
print('双向平均损失:',round((row_loss+col_loss)/2,6))
assert all(abs(sum(p)-1)<1e-12 for p in row_prob+col_prob)
assert all(abs(sum(x*x for x in vector)-1)<1e-12 for vector in image_vectors+text_vectors)
if text_weights==[[4.0,1.0,1.0],[1.0,4.0,1.0],[1.0,1.0,4.0]] and temperature==1.0:
    assert all(math.isclose(S[i][j],(4 if i==j else 1)/math.sqrt(18)) for i in range(3) for j in range(3))
    assert math.isclose((row_loss+col_loss)/2,0.6861917388550698)

```
[此段独立阅读](/course/notebook-blocks/fdd18e776fb949909b1d5e2233b7d639.html)
### 从这张教学矩阵，走到真实模型



上面代码使用三维单位向量和 τ=1，正确概率约 0.5035、平均损失约 0.686192。课堂 [P57](/course/pages/l3-r2-p57.html) 使用另一组四维单位向量和 τ=.2，正确概率约 0.90876、损失约 0.09567。两套都是自洽的教学构造；不要把一套的温度、矩阵和另一套的结果拼在一起。



[LAB 04 · CLIP：候选、提示与关系检验](https://deepnote.com/workspace/ise3309jingao-5ba66b0a-4283-4f5a-ae06-3f68d3201e99/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/0ba963931ddf4866b507b210d93a43bf?utm_source=openai&utm_medium=mcp&utm_campaign=openaimcp&utm_content=0ba963931ddf4866b507b210d93a43bf&utm_term=get_notebook) 固定真实猫图与 CLIP checkpoint，分别扩大候选、改模板和删除正确类别；这是模型证据。[LAB 12 · CLIP延伸：缓存与检索（近似索引选读）](https://deepnote.com/workspace/ise3309jingao-5ba66b0a-4283-4f5a-ae06-3f68d3201e99/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/921eeaf784284ce19568c6ca7619b55a?utm_source=openai&utm_medium=mcp&utm_campaign=openaimcp&utm_content=921eeaf784284ce19568c6ca7619b55a&utm_term=get_notebook) 使用同一编码器得到的完整向量，继续看缓存与检索。先完成前者再选后者，避免重复做两份“图文匹配”。[为什么候选 softmax 会变](/course/blocks/clip-candidate-probability.html)。

[此段独立阅读](/course/notebook-blocks/6190cca74684424598eec8bcc3f7b586.html)
### 4. 看衣色，还是看关系？让两种规则作出不同预测
[此段独立阅读](/course/notebook-blocks/65ae675e81234522a19a201af1e42f87.html)
正式问题保留两句候选：




- A. `A person in red holds a ball beside a person in blue.`

- B. `A person in blue holds a ball beside a person in red.`



**条件1：左红持球**



![条件1：左红持球](/course/knowledge-assets/b44ae6205135966005a376cd.jpg)



**条件2：左蓝持球**



![条件2：左蓝持球](/course/knowledge-assets/a2fad6392231baa79e7361b8.jpg)



**条件3：右蓝持球**



![条件3：右蓝持球](/course/knowledge-assets/429e669b3080a200d8e3b65c.jpg)



**条件4：右红持球**



![条件4：右红持球](/course/knowledge-assets/62eb7ad7573b1dc20562ec8a.jpg)



两个人、一个球；左右均按观看者位置。每个条件的持球人及另一人是否接触球应从图中确认。



原来两幅图的持球人都站在左侧：左红持球时 A 合适，左蓝持球时 B 合适。两个观察同时符合两条规则：**读取持球者衣色**，或者仅仅**读取左侧人物衣色**。因此原两图不足以区分两种解释。



新增右侧人物持球的两种条件，保持 A/B 候选不变。现在两条规则会给出不同预测，实验才有机会区分它们。图中独立生成的姿态、背景、光照也可能变化，所以它是针对竞争解释的条件设计，不声称所有图像只变了一个像素因素。

[此段独立阅读](/course/notebook-blocks/1a0beae32caa4112a3e73f1a4249a6a9.html)
### 四条件的规则预期



| 条件 | 左侧 | 右侧 | 持球位置 | 持球者衣色规则 | 左侧衣色规则 |
| --- | --- | --- | --- | --- | --- |
| 1 | 红 | 蓝 | 左 | A | A |
| 2 | 蓝 | 红 | 左 | B | B |
| 3 | 红 | 蓝 | 右 | B | A |
| 4 | 蓝 | 红 | 右 | A | B |



前两行两规则相同，后两行不同。**先预测：** 假如模型在第 3、4 行也跟随持球者，能否据此证明它理解所有关系？这会支持当前检验中的关系解释，但更广结论还需不同人物、位置、动作和候选表达。



下格只计算这张规则预期表。真实 CLIP 分数需固定模型、预处理、四幅输入与候选后实际推理，再与表中规则比较。

[此段独立阅读](/course/notebook-blocks/c64974ec883f4a6a9488baa50fe6db3c.html)展开完整实现代码
```
# 独立 CPU 规则对照；输出 A/B 来自明确规则，不是 CLIP。
conditions=[('1','red','blue','left'),('2','blue','red','left'),
            ('3','red','blue','right'),('4','blue','red','right')]
answer_of={'red':'A','blue':'B'}
rows=[]
for cid,left,right,holder_side in conditions:
    holder_color=left if holder_side=='left' else right
    relation=answer_of[holder_color]
    shortcut=answer_of[left]
    rows.append((cid,relation,shortcut))
    print('条件',cid,'持球者规则',relation,'左侧规则',shortcut,'一致?',relation==shortcut)
assert rows==[('1','A','A'),('2','B','B'),('3','B','A'),('4','A','B')]
```
[此段独立阅读](/course/notebook-blocks/88deeaae5acf42cc94771c90b0e19b8a.html)
### 5. 语言指定任务之一：这句话指的是哪个区域？
[此段独立阅读](/course/notebook-blocks/0aabdf483a9d4b58a0bcff200b378bc9.html)
CLIP 整图相似度给配对程度；“蓝杯左边的杯子”还要求输出目标区域。这里需要分开目标、参照物与关系，不能看到 blue 就返回蓝杯。



[P63](/course/pages/l3-r2-p63.html) 的 GLIP 说明对象级语言定位的学习路线；[CLS 11 · 语言定位与视觉模型接口](https://deepnote.com/workspace/ise3309jingao-5ba66b0a-4283-4f5a-ae06-3f68d3201e99/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/95169c3e298c4c819373bb4534f3dff9?utm_source=openai&utm_medium=mcp&utm_campaign=openaimcp&utm_content=95169c3e298c4c819373bb4534f3dff9&utm_term=get_notebook) 展开监督、空间输出和模型接口；[LAB 15 · 语言指代小练习：目标、参照与关系](https://deepnote.com/workspace/ise3309jingao-5ba66b0a-4283-4f5a-ae06-3f68d3201e99/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/7dc83786d067465aa76264475db2c62d?utm_source=openai&utm_medium=mcp&utm_campaign=openaimcp&utm_content=7dc83786d067465aa76264475db2c62d&utm_term=get_notebook) 用像素提框与关系规则做完整对照。后者不是 GLIP 推理，但能准确解释为什么旧关键词规则选错。



[带坐标的完整算例](/course/blocks/grounding-target-reference-relation.html) · [GLIP 的方法和正面迁移证据](/course/blocks/glip-language-objective.html)。

[此段独立阅读](/course/notebook-blocks/443e8c7bfc094e03bed653667baf21a7.html)
### 6. 语言指定任务之二：根据画面回答这个问题
[此段独立阅读](/course/notebook-blocks/4f123fd559034e98ab80a149967f6452.html)
原始 LLaVA 的接口是视觉编码器 → 线性投影 → 语言模型。送入的是视觉网格向量，不是一个类别标签。阶段一冻结视觉与语言模型，只训练投影；阶段二仍冻结视觉，更新投影与语言模型。



[P64](/course/pages/l3-r2-p64.html) 与 [P65](/course/pages/l3-r2-p65.html) 对照这两个阶段。完整解释集中于 [CLS 11 · 语言定位与视觉模型接口](https://deepnote.com/workspace/ise3309jingao-5ba66b0a-4283-4f5a-ae06-3f68d3201e99/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/95169c3e298c4c819373bb4534f3dff9?utm_source=openai&utm_medium=mcp&utm_campaign=openaimcp&utm_content=95169c3e298c4c819373bb4534f3dff9&utm_term=get_notebook)；注意后续版本的连接器不倒写为原始配置，RNN/attention 的内部结构留第五讲。



[为何 CLIP 对齐后仍需要连接层](/course/blocks/llava-visual-vector-interface.html) · [逐模块核对冻结范围](/course/blocks/llava-two-stage-freezing.html)。

[此段独立阅读](/course/notebook-blocks/ddbfd4bf2bf747b0ae9f1cba853e8b68.html)
### 指令答案也需要信息来源



原始 LLaVA 的部分指令资料由文本 GPT-4 根据 caption、对象类别和框坐标制作，该步骤没有让它直接看原图。随后 LLaVA 才用原图和这些指令共同训练。若文字记录遗漏接触和遮挡关系，长回答也不能凭空补足监督。



这个细节把第三部分接回第一部分：目标从哪里来，决定系统练习什么。[完整说明与课堂练习](/course/blocks/llava-instruction-source.html)。

[此段独立阅读](/course/notebook-blocks/ce309fa079154f8092fa03084d3bcf9f.html)
### 7. 哪些能力可以继承，哪些环节还要重新学习？
[此段独立阅读](/course/notebook-blocks/fc3d98abedce4cfe9f92457dd3572549.html)
| 新任务 | 可以复用的部件 | 仍要建立的环节 |
| --- | --- | --- |
| 固定表示分类 | 视觉编码器 | 目标标签与读出 |
| 检测与实例分割 | 视觉主干 | 区域组织、空间读取、框/掩码监督 |
| 图文匹配 | 合适的视觉与语言编码器 | 共同空间、配对学习与候选定义 |
| 文字定位 | 视觉空间特征与文字表示 | 区域—词语交互与定位训练 |
| 视觉问答 | 视觉编码器与语言模型 | 连接层、视觉指令与回答评价 |



这张表不要求每个系统都从上一行起步。它提醒我们：复用已有能力之后，仍要说明新任务的学习信号、输出与接口。



回到全讲中心问题：**网络学到的视觉表示，怎样变成可复用、可指定、可检验的能力？** 现在再改变一次任务：把输入图像拿走，只保留描述，要求系统创造一幅新图。

[此段独立阅读](/course/notebook-blocks/9f722432814341c394a2b6c32e03fbef.html)
### 8A. 只给一句描述，怎样产生一幅新图像？
[此段独立阅读](/course/notebook-blocks/b76c720aae524c5faef18b343a6374aa.html)
我们已经用图像与句子做匹配，用词语指定区域，也能根据图像回答问题。现在拿走图像，只留下：




  
红色杯子放在木桌上。





使用者不再递交一张图供分析，而是要求系统产生新的视觉内容。**给候选打分，还没有给出生成这些像素的方法。** 我们需要说明输出的表示、学习目标，以及从条件到一个具体结果的生成过程。



第三讲的 captioning 与看图回答已经可能通过生成文本实现，MAE 也涉及重构。本讲的焦点是表示与任务接口；第四讲将把**生成分布、训练和采样本身**作为研究对象。

[此段独立阅读](/course/notebook-blocks/045f75954e664345ab8c0a5c766a2f16.html)
### 8B. 同一句话，为什么有多种合理图像？
[此段独立阅读](/course/notebook-blocks/63a505de22ae4389bfa3360aab9f5b84.html)
**满足条件 A**



![满足条件 A](/course/knowledge-assets/ec560facd73498443d236728.jpg)



**满足条件 B**



![满足条件 B](/course/knowledge-assets/dc1cd1908690ea385130c51d.jpg)



**满足条件 C**



![满足条件 C](/course/knowledge-assets/8d1f81eafbc5ed484eaec555.jpg)



**违反红杯条件：蓝杯**



![违反红杯条件：蓝杯](/course/knowledge-assets/249a1599e2eb22de518cbc2d.jpg)



同一“红杯＋木桌”条件下的三种合理样本，以及一张违反指定条件的对照。它们是条件与多样性的情境示例，不是生成方法质量对比。



**先看图再判断：** 哪些细节必须满足？哪些是描述没有指定的？红杯与木桌是条件；杯型、视角、光照、摆放位置仍有自由度。不同合理图像不必是同一幅图的微小扰动。



因此，训练不只是寻找唯一正确像素答案，而是学习符合条件的多种可能；采样再从这些可能性中得到具体结果。用记号写就是 `x ~ pθ(x | c)`：c 是条件，模型参数 θ 规定条件分布，x 是一次产生的结果。



图文相似度可以为某些生成系统提供信号，但相似度函数本身不是完整采样器。MAE 的既有遮挡训练配方，也不会自动给出任意文生图能力。

[此段独立阅读](/course/notebook-blocks/50fdfc97f7844d30b241c1f48b61bf47.html)
### 8C. 从任务接口走向生成机制
[此段独立阅读](/course/notebook-blocks/aead117ad6f542828f635a98ebe8a29a.html)
图像描述已经在生成文字；前面的条件多解图又说明，同一句描述不必对应唯一像素答案。第四讲会进一步问：训练反馈怎样支持这些可能，采样又怎样得到一个结果？



GAN、VAE、Diffusion 的路线比较与原始来源，已移到[第四讲：从条件多解走向生成模型](https://deepnote.com/project/6f83a923-d155-47be-be58-680db701ff7f/notebook/694b7a43ea4948f5a197c014c2fbad3b?utm_source=openai&utm_medium=mcp&utm_campaign=openaimcp&utm_content=694b7a43ea4948f5a197c014c2fbad3b&utm_term=get_notebook)。

[此段独立阅读](/course/notebook-blocks/ac3a381fdb1c4469a490d0fa0071d035.html)
### 8D. 带着三项判断结束本讲
[此段独立阅读](/course/notebook-blocks/f9a09c497c544a4ba4af64ab27b80fa5.html)
选择本讲的一个系统，依次说清三件事：训练答案从哪里来；表示怎样被读成区域、像素或文字；哪项干预或保留评价支持它学到了所需能力。



这三项判断可以串起表示、空间输出与视觉语言，也会成为下一讲研究生成机制的起点。需要回查具体例子时，从[第三讲导读的八条问题路径](/course/guide.html)进入，不必重新顺读全部实验。

[此段独立阅读](/course/notebook-blocks/384f15c57d2c4dbeb72443ff9b5e6de3.html)