“窗边的一把红椅子”已经排除了很多东西，却仍没有规定椅子材质、朝向或拍摄时的光线。画面中的四个候选分别满足了部分相同要求；加入“木质、椅面朝向镜头”之后，金属候选 C 和侧向候选 D 被排除，A 与 B 仍然成立。

A 是白昼，B 是傍晚。题目没有固定光照，所以本次选择 A，并不能证明 B 错了。要拒绝 B，应指出它违反了哪项条件，或者明确新增“白昼”这一要求。一个结果被选中，与其他结果不合法，是两种不同判断。

硬要求、偏好和未指定项也应分开：“必须木质”决定合格与否，“更喜欢暖光”用于比较合格候选，没说光线则暂不增加限制。条件写得更长不必然更好；若同时要求同一处完全透明又完全不透明，就需要先澄清冲突。

条件还可能改变候选的相对倾向，而不只是把它们删掉。例如新增场景信息后，某种照明更常见，但另一种照明依然可能。是否满足硬条件与模型更偏爱哪个候选，需要分开判断；画面只演示条件筛选，没有测量一个真实模型的概率。

这里还藏着三种常被混用的“不确定”。设计要求没有指定光照，是任务主动留下自由度；一张实物照片没拍到椅背，是我们缺少当前对象的信息；模型不熟悉某种椅子结构，则是它的知识或泛化不足。三者都可能导致不同回答，但解决办法不同：有的允许保留多解，有的需要补观察，有的需要改善数据或模型。

“换个随机种子，能不能知道椅背有没有裂痕？” 不能。随机数可以从模型已考虑的候选里作一次选择，却没有给这把实物增加一次观察。生成许多无裂痕图片，也不能替代检查椅背。

因此，读一个生成结果时，先问哪些属性被条件固定，哪些变化仍被允许。下一页从一把椅子改成一双鞋：两个部件各自合法，它们的组合还会增加什么约束？