两把椅子单独看都很完整，也都可能满足“漂亮的红椅子”。但现在任务是把其中一把推进这张桌子。扶手的宽度和高度必须与桌下空间相容；单张椅子的自然外观没有回答这个关系。

检验后，一把椅子的扶手碰到了桌腿，另一把留有余隙。失败并不是“它不像椅子”，而是“它不适合这张桌子”。如果只按图片美观程度选，或者只取模型最偏爱的候选，就可能漏掉决定任务完成的尺寸条件。模型分配的概率、使用者的偏好和可核对的事实正确性是三种不同量，谁也不能自动代替另两项。

这里要分清四个环节：模型组织哪些候选可能出现，采样得到一次具体结果，选择决定采用哪个候选，验证检查候选是否满足任务。它们可以由不同部件完成。生成器旁边可以有测量规则、程序测试、检索工具或人工判断；生成不是整个系统的终点。

“那就多生成一百把，再挑一把，不就解决了吗？” 这可能有帮助，但每一轮选择仍需依据正确标准。如果桌下尺寸未知，一百张椅图没有自动补齐尺寸；如果检验本身昂贵，候选数量还会增加成本。对付什么不确定性，决定了该增加候选还是增加证据。

因此，使用成本应从提出候选一直算到任务完成：训练与数据处理是前期投入，推理是每次出候选的成本，检查、修改、执行、人工复核和再次检查也都消耗资源。比较时应按成功完成的有效任务计算，把失败尝试和返工计入；只比较一次调用的价格会漏掉可靠性差异。共享底座可能把前期投入摊到多个任务，生成更便宜也可能降低尝试成本；但返工很多时，整项任务未必更省。参数更大同样不等于资源配置更有效，模型、数据量与训练计算需要一起看。

评价也应保持多个维度：候选是否完整，是否服从条件，是否覆盖有意义的变化，若声称事实是否有来源，若交付程序或动作是否可执行。一个漂亮样例只能支持其中很小一部分。

先记住这些检验要求。接下来四种模型路线都在产生待检候选，我们要沿生成过程看它们做了怎样的分工。