N03 的一双鞋要求部件共同守约，N09 用“先选左鞋，再按它选右鞋”处理这种依赖。现在把生成组织换成多个空位同时提出内容：题目只允许两个完整场景——红杯在左，或蓝杯在右。颜色空位可以提出“红”，位置空位也可能提出“右”；两项各自都曾在合法记录中出现，拼在一起却不属于题目允许的组合。

错误并不来自某个词本身。若已经确定红杯，位置应随之受到约束；若确定在右侧，颜色也需要与它协调。同一轮里给许多位置提案，减少的是逐位置等待，没有取消位置之间的依赖。这次和鞋对例子的不同在于：我们正在比较如何安排生成过程，而不只是认识联合约束存在。

一种恢复过程可以先保留较确定的位置，把尚不相容或不确定的位置留下，下一轮利用已经确定的内容继续提议；有的方法还允许重新遮住部分候选再修订。模型的联合上下文、训练方式与采样规则共同影响最终结果。课堂例子只说明为什么需要协调，并不宣称某一项具体修订规则已能保证所有语言关系。

“红和右都高概率，同时选出来为什么会错？”一个位置在尚未知道另一位置时的常见选择，与知道另一位置以后的合适选择不是同一个问题。两个局部最高分，未必组成联合最高分，更未必满足硬条件。这里的红左、蓝右是题目明定的两个候选，不是关于现实杯子的普遍规律；若条件允许红杯在右，判断自然会改变。

“那并行生成是不是只能先乱填，再返工？”不是。模型可以在每轮预测时读取当前整体状态，学到跨位置关系，某些候选也可能一次就相容。例子要否定的是“并行自动消除依赖”这个推断，而不是否定并行路线本身。

还应分清词在句中的位置、哪些位置先被确定，以及预测时可以读取哪些内容。这三个顺序或范围不必相同。模型高置信只表示自身偏好强，不能代替照片、规则或环境提供的正确性证据。

自回归让已经选出的内容逐步成为条件，多位置恢复则以不同方式让候选相互约束。下一页要把这些过程放回完整任务：减少等待轮数，究竟在什么条件下能成为用户实际感受到的速度或可用性提升？