潜表示首先提供了可操作的生成入口：编码一张图再解码是重建；沿两个表示之间移动并解码是插值；从约定分布抽取起点再解码是采样。三种操作用同一个解码器，却分别观察输入信息、局部路径与采样覆盖。本页椅子是教学示意，具体曲线与量值到LAB02观察。 两把椅子的表示之间，可以选一条路径，逐次观察输出是否平滑变化。图中的三张椅图是在说明这种展示方式，不是已经测得的连续插值轨迹。若一次真实演示确实平滑，它的价值在于：它说明这条特定路径上的表示能被解码，也展示了沿途哪些属性发生变化。但它没有走到的地方，仍然没有被检查。

重建、插值和随机生成对应不同问题。重建从一张已知图像的编码出发，检查输入信息是否保住；插值沿人为选定的路径走，检查这条路径上的连续变化；先验采样按事先规定的分布抽新起点，检查生成入口实际会遇到哪些成功与失败。前两项漂亮，不能代替第三项。

因此，应在看输出之前约定起点怎么选，并保留所有结果，而不是先生成很多、再挑最好看的六张。眼前的六个位置是在解释这种检查方法，不是某个真实模型的性能统计。真正评价还要交代样本数量、任务条件和失败标准；有限抽样同样没有穷尽整个空间。

另一个问题更容易被结构图遮住：模型真的使用了潜变量吗？固定其他输入，只替换、打乱或固定潜变量，再看输出中的任务相关属性是否跟着改变。一个很强的解码器可能从其他条件完成大部分工作，即使架构里画着潜变量，实际依赖也很弱。

“换了潜变量，图像有几个像素变了，算不算用了？” 要看任务想保留或控制什么。若希望改变椅型，只抖动几个噪点没有回答这项要求；若输出几乎不变，也不能立刻认定变量完全无效，还需检查替换范围、其他条件是否已固定结果，以及解码是否有多对一关系。

有效的解释应能接受这样的干预，而不只是给某个模块命名。下一页把连续潜变量换成离散地址，进一步分清变量的编号与真正送入解码器的内容。