上一页的反馈帮助生成器改进外观。现在先看一张马克杯：杯沿、杯柄和光照都很自然。这个判断有价值，却只涉及一张结果。把它放回六张候选中，新的问题出现了——这一批都是相似的马克杯，而参考数据还包含茶杯和玻璃杯。

如果任务是探索杯子设计，A 组虽然每张都成立，却没有提供那两类选择。B 组在相同六张预算里包含更多类别，因此在这次展示中覆盖得更广。但不能把“六张里没看到玻璃杯”改写成“模型生成玻璃杯的概率为零”。有限样本会有波动，展示者也可能挑图。需要预先固定条件、采样数量与选择办法，保留失败和重复，才有可以比较的证据。

学生问：“判别器已经分不出真假，准确率只有一半，还用看这些吗？” 要看。一个学习不足、只会随机猜的判别器，也能得到约一半准确率。判别器变弱与两种分布真的接近，会产生相似的数字。训练中的这个指标不能同时认证单张质量、类型覆盖和模型没有记忆训练样本。

记忆是第三个问题。若模型反复交出训练集里那几张照片，外观可以非常漂亮，有限展示也可能覆盖多类，却没有证明它能生成新的组合。应在同一检查协议下寻找训练集近邻，比较结构与细节，并检查未见条件下的表现。课堂局部对照只是教我们提出这个问题，不能据此宣称某个模型抄袭。

怎样让训练反馈更有用，也是 GAN 研究的一条路线。Wasserstein 的直觉是：把生成分布看成一堆需要搬到参考分布位置的质量，既看要搬多少，也看搬多远。即使两堆点完全分开，距离仍可能提示移动方向。这个距离依赖选用的空间和度量；在像素里距离近，不一定就是人看来语义近。WGAN 用受约束的 critic 近似相关目标，约束是理论关系成立的一部分，不能任意把判别器分数命名为 Wasserstein 距离。早期权重裁剪是一种实现，后续还有其他约束方法。

因此可以分别问：这一张像不像？这一批覆盖了什么？是否只是复现记忆？反馈数字又是在什么假设下得到的？没有一个漂亮终图或单一训练损失能一次回答四个问题。

下一页继续拆开“像真的”：模型给低清墙面补上清晰砖缝，这些细节究竟是恢复出来的事实，还是有说服力的猜测？