學習目標：同一組 (b_t, ∇log p_t) 可以組出一整族取樣器，ε_t 是唯一的旋鈕（這裡取 ε_t = c·σ_t²）。它們的邊際完全一樣，但只有 c>0 的那些會把偏掉的分布拉回來。

淡橘＝資料　綠線＝十四條軌跡　白點＝終點　（b_t 與 score 都由資料精確算出，相當於訓到最佳的網路）

先在「正常取樣」把 c 從 0 拉到 6：軌跡從光滑變抖動，但 energy distance 一直停在 0.01 上下——這就是「邊際相同」。再按「把所有樣本推歪」：c=0 時那個偏移一路帶到終點（energy distance 約 0.7）；把 c 推上去會一路變好——c=1 大概掉到 0.3～0.5、c=2 約 0.2～0.3，c=4 以後就幾乎回到沒推的水準。修正不是免費也不是瞬間的：它需要足夠的 ε 和足夠的剩餘時間（把推歪的時刻往後移，同樣的 c 就救不回來）。而會不會修正，取決於取樣時的 ε_t，不是訓練時加了多少噪聲。