先不看方法名，观察结果怎样形成。一个过程逐次追加新的部分，把已确定内容作为后续条件；另一个从紧凑随机起点整体解码；还有一个生成器经过对抗反馈学习后直接成图；最后一个把同一状态反复更新，从不确定起点逐步形成结果。这里分别回收自回归、VAE、GAN 与扩散的典型组织方式。

识别它们依赖的是过程证据，而不是终图风格。仅凭一张漂亮杯子图，通常无法可靠判断来自哪一家模型。训练时参与的部件也不一定在生成时继续参与：GAN 的判别器提供训练反馈，典型使用路径由生成器出图；VAE 的编码器帮助处理训练输入，随机生成则从先验起点进入解码器。扩散中的预测器与采样更新规则仍需分开，调用次数由完整生成过程决定。

“一套系统只能归在一个格子里吗？”不能这样理解这张地图。N20 说明解码器可以复用，N40 说明外层自回归与内层扩散可以合作。方法名描述特定部件或生成组织，复杂系统可能组合多条路线。先问每个部件负责什么，比强行给整体贴唯一标签更有用。

四条路线都可以接到同一组判断问题上。当前到底给了什么条件，结果中的哪些变化被允许；模型如何从起点形成完整候选，哪些部件关系必须协调；最后又用什么证据检查它是否完成任务？其中，训练记录、表示、模型、目标与使用时的生成规则各有作用。换掉一个部件，不会自动替其他环节完成工作。

“既然最后都要验证，知道机制还有什么用？”机制帮助我们提出更准确的故障解释：重建就丢了细节，和新组合才破坏结构不同；局部预测出了什么，和更新怎样把它变成样本不同；反馈看到了条件没有，也会改变训练能约束什么。验证不再只是评价好坏，而能指向该改哪一部分。

下一页不要求记住更多名称。请从这些关系里选一个仍不确定的问题，再找一条可能排除某种解释的新证据。课程地图只有进入这样的选择，才成为后续学习的工具。