画面刻意展示同一句条件对应多个合理图像。三幅红杯强调多样性，蓝杯强调条件约束；这些是语义例子，并非单变量受控比较。下方的 ±1 算例解释为什么一个最优平均值仍可能不是合理样本，让第四讲的问题有具体起点。
同一句红色杯子木桌条件对应三幅不同红杯场景与一幅蓝杯反例；比较检索已有图与生成新样本。
现在只给一句话：红色杯子放在木桌上。它可以对应很多合理图像，杯子的形状、位置、光线和桌面纹理都可能不同。我们不只是想从已有图片中找一张，还希望根据条件产生新的样本。 这与整图匹配不是同一项工作。匹配函数告诉我们哪些内容更相配，却不直接告诉我们怎样产生图像。MAE 根据可见内容预测缺失部分，也不自动给出一个完整的文生图系统。 同时不要忘了，图像描述和语言模型已经在生成文字。第四讲不是第一次听到“生成”，而是把这个问题系统展开：一个条件下有多种可能，模型怎样学习它们，又怎样从中产生一个结果？
“红色杯子放在木桌上”指定了颜色、对象和支撑关系，却没有唯一指定杯型、位置、光照、视角和木纹。P67 三幅红杯都可能满足条件，蓝杯是颜色条件的反例。这些是既有独立生成的语义场景，适合展示多解性，不能当作只改颜色的受控实验。
如果目标是从图库找一张，检索已经有明确输出；若要求产生一张新图，就需要模型定义怎样把条件和可变化因素转为像素或其他图像表示。CLIP 的相似度能帮助比较候选，却没有单独提供生成新像素的过程。
MAE 提供“已见部分约束未知部分”的重建任务，也不因此自动变成文生图系统。它的输入、目标和训练资料与文本条件采样并不相同。相同的网络模块可以被复用，但新任务必须说明如何学习和使用。
同时，caption 已经在生成文字。第四讲的新增不是第一次遇到生成，而是把条件分布、合理多样性、学习反馈和采样过程放到中心。先区分什么由条件固定、什么仍可变化，才有办法讨论多种路线各自怎样学习这些可能性。
复用既有三幅红杯和一幅蓝杯 ImageGen 场景，已逐幅查看。它们是独立生成的语义例子，适合展示多解性，不适合作为只改颜色的受控实验。
多解性要求区分预测一个平均值与产生一个可能结果；用两点分布核算这种差别。
给定同一条件 ，真实结果 等概率取 或 。若模型只能给一个确定数 ，并最小化平均平方误差，
最优值是 ，误差为 1；但真实分布从不产生 0。模型给出了最好的条件均值，却没有给出一个真实可能样本。对应图像的直观例子是杯子可能在左或右，逐像素平均可能出现模糊或重影，而不是某一次合理摆放。
再设生成器正确地随机输出 或 ，与一份独立抽出的真值比较，二者一半相同、一半差 2，期望平方误差是 。生成器符合真实分布，却在这种独立配对 MSE 上比输出 0 更差。这说明评价没有衡量我们真正要求的对象。
因此生成评价至少拆开条件满足、样本合理和多样性覆盖。逼真但总输出同一种可能会漏掉模式；很多变化但不满足红色条件也失败。这个小算例只解释问题结构，不替任何生成算法背书，完整训练和采样方法留第四讲。
以下是备课用的模拟师生对话，不是课堂实录。
学生：条件说清楚后为什么还要随机性？
教师：因为它通常只限定一组结果。杯型和光照没有被完全指定，合理系统应能表达这些可能性，而不是只能给平均像素。
先比较红杯图像共享的条件与各自变化，再计算 ±1 等概率例子的均方误差最优解。解释为什么平均值可以最优，却不是分布中可能出现的样本。