[CLS 03 · 视觉与语言：任务、训练与接口](/course/notebooks/680da245145447dd88983aabd136fd24.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
[独立阅读](/course/notebook-blocks/ac3a381fdb1c4469a490d0fa0071d035.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

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)。