上一页说明，一次局部预测不等于一张最终图片。完整生成还需要一个循环：当前状态与时刻进入预测器，预测器给出更新所需的信息，采样规则据此计算下一状态，再把新状态送回同一个预测器。参数通常不在这次生成中继续训练；改变的是输入状态和时刻。

以噪声预测为例，网络输出“这里有多少像扰动的成分”之后，仍需要结合当前状态、噪声日程和目标时刻，才能算出下一张状态图。若改为预测干净图或速度，也需要相应转换与更新。把网络输出直接保存成图片，可能只是保存了一张预测噪声图，而没有执行采样。

更新规则还决定跨多远以及是否加入新扰动。随机过程可以在初始噪声之外，继续注入逐步随机项；确定性过程则可在给定起点后沿固定规则推进。二者都可能反复调用相同参数的网络。“没有每步新噪声”不等于没有随机生成，因为不同的起始样本仍可产生不同结果。不过，直接从某个DDPM更新公式删掉随机项，已经改变了过程；它不会自动成为具有同样阶段分布的确定性路线。

学生问：“第一步已经知道往哪改，后面把这个方向一直用下去不就行了？” 不够。预测是针对当时那个状态作出的；更新以后，有些轮廓更清楚，另一些歧义可能被消除，适合下一步的方向也会变化。像走一条弯路，只在出发时问一次方向并不能保证后面都沿对的方向走。

在另一些表述中，预测对象与 score 联系起来。这里 score 是当前噪声等级下，对数概率密度随状态变化的局部方向；它不是给整张图片打的“审美分数”，更不是这张图为真的概率。把这个局部量接入随机或确定的动态规则，才成为生成路径的一部分。

训练通常随机抽取各阶段的问题，让网络练习局部能力；采样则必须把这些能力串成完整过程。所以训练某道题的误差较小，并未直接测出一整条生成路径的质量。下一页从这个回路数成本：有几张状态图、走了几步、调用了几次网络，是不是同一个数？