學習目標：離散空間沒有梯度，取代它的是鄰居之間的比值 p_t(y)/p_t(x_t)。比值大於 1 的鄰居就是「往那邊改會更像資料」。這裡的 p_t 是用前向演算法精確算的，不是網路。

上排＝當前的 x_t（灰＝[MASK]）　下方＝每個位置的鄰居比值。absorbing 下把共同因子 ᾱ/(1−ᾱ) 除掉之後就是一個機率分布（線性刻度 0–1）；uniform 下畫原始比值（對數刻度，虛線＝1）。空槽＝那個位置沒有鄰居。點格子可手動改那一格

資料是「相鄰格以機率 0.9 相同」的鏈。absorbing 下每個 [MASK] 有兩根柱子（填 0 或填 1），而把共同因子 ᾱ/(1−ᾱ) 除掉之後，兩根的和剛好是 1（看下面那個數字）——因為 p_t(y)/p_t(x_t) = [ᾱ/(1−ᾱ)] · p(x₀^ℓ=v | x_t)，比值和上週那個網路只差一個已知的係數。填成和鄰居一致的字那根明顯高，填成相反的字那根幾乎是 0。沒被遮的位置畫成空槽：forward 沒有「字換成字」這條管子，反向也就沒有，那些比值根本不用學。切到 uniform：每個位置都有一根柱子，比值要學的數量整個變多，而且沒有那個乾淨的化簡。