上一页提出“回得来是否足够”，这一页给出一个明确反例。在这个课堂有限世界里，只有 A、B、C 三栋房屋，每栋在各自季节出现的机会相同。向冬景的转换故意采用 A→B、B→C、C→A；回程则严格按相反关系返回。

从 A 夏景出发，中间得到 B 冬景，回程仍能恢复 A 夏景。B 与 C 也一样：每条回环都正确，每张冬景仍是一栋成立的冬季房屋，三种冬景各出现一次，目标域的等权构成也没有改变。可是三条跨季节身份关系全部错了。域分布匹配与可逆性检查的是两件重要的事，但二者合起来仍未唯一指定语义对应。

这里的等权是构造反例的假设，不是从三张照片估计出自然世界的概率。若真实数据中身份频率不同，一些置换可能改变分布，从而被域外观检查识别；这说明额外信息会缩小歧义，而不推翻等权反例已经表明的逻辑边界。

学生问：“再要求冬景输入保持原样，能强迫 A 夏景变成 A 冬景吗？” 这种 identity 约束要求夏→冬转换器拿到一张已在冬域的照片时，尽量不要无谓改动；反方向也可作类似约束。它规定的是目标域输入应如何处理，没有直接给出 A 夏景应该连到哪张冬景。两个域的输入可区分时，跨域错配与域内原样返回仍能同时满足。因此 identity 可以帮助保留颜色等属性，却不是跨域语义或人物身份的保证。

什么新信息能排除错配？例如明确给出“A 夏景对应 A 冬景”这一对。这立即排除把 A 送给 B 或 C 的候选，但仍允许 B、C 互换。三个身份的双射共有六种，固定 A 的正确去向后还剩两种。LAB03 的配对锚点实验会继续这个例子：增加一条对应信息，直接观察剩余映射怎样减少。

真实连续图像还有另一类风险：模型可能把恢复起点所需的信息藏在很小的变化里。相关隐写研究讨论的是这种机制；本页不用它来解释三房置换，也没有声称眼前图片就是实测隐写结果。有限域实验的好处，是不靠训练是否稳定就能把“检查通过”与“语义正确”拆开。

下一页再加一项要求：即使内容对应正确，我们也不希望每次都只得到同一种外观。怎样让随机输入带来有意义的多样性？