[CLS 03 · 视觉与语言：任务、训练与接口](/course/notebooks/680da245145447dd88983aabd136fd24.html)

# 满足条件 A
[独立阅读](/course/notebook-blocks/50fdfc97f7844d30b241c1f48b61bf47.html)
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

**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。