上一页说明了怎样从已知照片造题。这一页先拿一个更直观的遮挡例子观察信息缺失：杯子的两侧都被挡住，可见部分同时容得下“杯柄在左”和“杯柄在右”两种来处。当前输入没有提供足够证据排除其中一个；训练时留有原图，也不意味着作答模型凭眼前输入就总能唯一找回它。

把两张完整来处逐像素平均，会在两边都留下半透明杯柄。这个折中在数值上可能接近两种答案，却没有选出一只完整杯子。这与 N17 的认识相同。本页新增的问题是：扩散训练里的平方误差会鼓励条件平均，为什么它仍可能产生清楚的完整样本？

关键在于平均发生在哪一层。给定一个当前状态，平方误差下最合适的局部预测可能是所有相容来处所对应目标的条件均值；它可以是噪声、方向或干净图的估计。但采样并不是把这一估计直接存成最终照片就结束。更新规则改变当前状态，模型在新的状态与时刻再次作预测。不同起点和后续扰动可以产生不同路径，后续条件也随路径改变。

“那为什么不让最终图同时保留两个杯柄，诚实表达不确定性？” 如果交付物是一张不确定性地图，这样展示可能有用；本题要求的是一个完整样本，一只半透明双柄杯通常不符合这一要求。表达多个可能性可以交付多张各自完整的候选，而不必把它们在像素上叠成一张。

“完全对称的状态若给出平均方向，是否证明所有生成都会困在平均图？” 不能。这只描述该条件下的一个局部预测。要推出整套采样失败，还必须检查不同起点、全部更新和随机性。反过来，也不能因为有多步更新就保证模型已正确表达所有模式。简单的局部转移分布不限制最终分布一定只有一个峰，但模型误差、步数和更新方式仍可能破坏生成质量。

本页的遮挡与双柄平均是具体反例；后面的两条路径是生成机制示意，不能当作训练出的模型已解决不确定性的成绩。它们帮助我们把“这一刻如何预测”与“最后交付什么”分开。

下一页把这两层真正接起来：预测器输出一份调整信息之后，谁计算下一状态，又是谁在下一时刻继续判断？