每条记录只提供一次具体结果，但训练并不是为每张照片另造一个模型。同一套参数在许多杯型、角度、遮挡和背景中反复更新：共同的结构被共享，变化与条件之间的关系也被学习。因此，新输入可以组合已经学到的结构并配合采样得到新结果；不是要求这一张照片独自列出全部答案。 上一页让我们看见，生成要学习完整结果中的关系。但训练资料通常没有列出一个条件下的全部可能答案：一张照片只有当时的杯柄，一句话只有实际接下去的下文。这样的记录怎样提供练习？

把红杯照片的杯柄区域遮住，可见部分就成为输入，被遮住的原始区域成为比对依据。模型先根据可见部分预测，再把预测与记录中的杯柄比较，用差异更新参数。答案来自照片自身，所以不需要有人逐张额外写出杯柄标签；这就是一种自监督造题方式。目标用于评分，并不因此成为这一次作答时的可见输入。

“照片里是弯柄，方柄补全是不是一定错？” 对“还原这张记录”这道训练题，弯柄是监督答案；对“给出满足可见条件的合理补全”这个任务，单张照片没有证明方柄绝不可能。训练记录提供了一次发生的结果，没有枚举完整可能性。如何学习并表达这些可能性，还取决于训练目标和模型。

模型不是为每张照片孤立地记一套规则。很多杯型、视角和背景的记录共享同一套参数，杯身与杯柄如何连接、某种光照怎样影响表面等规律可以跨样本积累。这使新组合成为可能，却不是保证：缺少某类结构的记录时，模型仍可能补错；把一张图遮一千次，也没有新增一千种杯型。

预测过程还可能形成能复用的表示。例如，为了补上杯柄，模型需要保留边界与几何关系；这些信息可能帮助新的识别任务。但“可能有帮助”必须由新任务检验，不能从预训练目标直接推出迁移成功。

在这里可以区分三个问题：生成描述要交付怎样的结果；自监督描述训练答案来自哪里；基础模型描述同一底座能否支持多种任务。遮挡预测得到的表示可以用来分类，生成模型也可以使用人工配对资料；这三个名称并不是互相替代的标签。

自监督也没有使原记录自动为真。错误描述和失真的记录一样可以被用来造题，模型可能学会它们的错误；自动获得目标，不等于自动获得可信事实。无需逐张标注扩大了可用学习信号，却没有取消数据筛选、覆盖和质量问题。接下来，我们把同一红杯交给不同任务，看看共享模型入口之后，哪些成功标准仍然不能共享。