回顧測驗：用九個問題把整張地圖再走一遍

想一想生成模型從一團 noise 出發，最後生出合理的圖。這個「無中生有」的能力，最準確的說法是？

• 那團 noise 裡其實偷偷藏了答案，模型只是把它解出來。
• 模型學到一套「把一團點搬到密度和 data 一樣」的規則；noise 只負責起點與隨機性，結構是被搬出來的。
• 模型把訓練圖片背起來，需要時再吐回去。

想一想一個 diffusion 模型生成的單張圖都很漂亮，但整體漏掉了某些類別、多樣性不足。用「生成在學分布」的視角，這最像什麼問題？

• 模型沒覆蓋好整個資料分布（漏掉某些 mode）——分布層級沒學對，單張漂亮不等於分布對。
• 模型一定是過擬合，把訓練圖背起來了。
• 這代表模型其實學得很好，沒有問題。

想一想模型學的是「向量場」而不是某幾條軌跡，最主要的好處是？

• 因為向量場的參數一定比較少。
• 因為軌跡比較難畫出來。
• 因為場是給整個空間的導航規則：任何起點（包括你下次新抽的 noise）都能照它流到資料；單一軌跡只描述一顆粒子。

想一想probability path 上的中間分布 pₜ，和「資料集裡的資料」最根本的不同是什麼？

• pₜ 的解析度比較低。
• pₜ 是被「設計／定義」出來的過渡分布（由插值或加噪規則決定），不是被「觀測／蒐集」來的資料；它是為了讓生成可學而搭的過渡世界。
• pₜ 只存在於高斯的情況。

想一想diffusion 把生成拆成很多步去噪，而不是訓練一個「看一眼純 noise 就直接輸出整張圖」的模型，主要因為？

• 純 noise 太曖昧、對應太多種可能，一步直出等於無提示押中極特定答案；拆步後每步只在「已半成形」的圖上修一點，是好回答得多的問題。
• 多步只是為了讓生成動畫好看。
• 一步把純 noise 變成清楚的圖在數學上不可能。

想一想你手上已經有一個訓練好、會「預測噪聲 ε」的模型。現在想要它的 score，卻不想重新訓練。可行嗎？

• 不行，score 和去噪是兩套獨立的東西，得另外訓練。
• 可行，但只能在 σ=1 時換算。
• 可行：score 就是 −ε/σₜ，去噪器和 score 本質是同一個物件，差一個已知比例。

想一想flow matching 訓練時，給模型的目標是 x₁−x₀（指向某一張特定資料）。為什麼最後不會學成「只會複製訓練圖」？

• 因為訓練時加了正則化，禁止它記憶。
• 因為很多配對會經過同一點，L2 回歸的最佳解是這些速度的平均，剛好等於推動整群的邊際速度場——粗目標被平均磨對。
• 因為 x₁−x₀ 其實本來就等於邊際速度，不用平均。

想一想你把取樣步數從 100 砍到 5，最直接的風險是什麼？

• 模型權重會改變。
• 離散化誤差變大，數值軌跡偏離真正的連續解，樣本品質下降——除非換更準的走法。
• 完全沒有風險，步數可以任意砍。

想一想如果要把整個系列濃縮成「模型在每個點到底學什麼」，最能抓住共同核心的說法是？

• 它在學「此刻這個樣本，該往哪個方向移動，才能更接近資料分布」——noise、score、velocity 只是描述這個方向的三種語言。
• 它在學如何把每一張訓練圖片壓縮起來、需要時再解壓。
• 它在學一個把圖片分類的決策邊界。