LAB 01 · 自回归：联合概率、贪心与温度
先阅读保存结果和解释，再按本册步骤选择是否运行。在 Deepnote 阅读与运行 · 下载 Notebook
自回归：每一步最可能，整句就最可能吗？
本册用一个可以完全枚举的两步模型回答三个问题：联合概率怎样由条件概率组成；贪心为何可能错过最高概率序列；温度究竟改变了什么。
先预测，再运行。 第一步 P(A)=0.6, P(B)=0.4；接着 P(0|A)=0.51, P(1|A)=0.49，P(0|B)=0.99, P(1|B)=0.01。你会选哪个完整序列？先写出逐步贪心的答案，再算四个联合概率。
你的产出是一张四行概率表，以及一句区分“概率最高”“从分布采样”“提高温度”的解释。
本轮入口：先看下面的保存图，再只改一个参数。 原有可手算代码与推导完整保留在后面。
先看问题与保存结果
这是一张给定概率表的解析实验。先比较整条路径与局部最优，再改变温度；代码没有训练语言模型。保存图显示温度改变的是每个前缀后的条件分布，完整路径还要把沿途概率相乘。
连续概念解释。读完后留下一个结果：固定量、改变项、实际观察，以及它支持的机制。
先看保存结果：同一概率表的树、完整序列与温度
先沿树相乘：局部贪心走 A0（0.306），完整序列 MAP 是 B0（0.396）。采样保留四个结果，并不强制选 MAP。三温度图对每个温度重复5枚种子，点的波动与整组柱子的变化是不同现象。每个前缀各自归一化，因此逐 token 调温与整句概率调温通常不同。
结果身份： 2026-09-28由下方同源Python代码在本地CPU实际生成并核对。手工指定两步概率模型，没有训练或调用语言模型。 图不是模型训练输出。
保存数据、图片与代码随下载材料提供；静态图无需GPU。学生重算需要Python、NumPy、matplotlib，不发起网络请求、不打印密钥，只在当前目录写入本册输出文件夹。
只改一个变量：TRY_T
把 TRY_T 从 1 改成 0.35 或 2。模型表、种子与每次6000个样本保持固定；精确概率与重复抽样同时变化。
在下面参数区改值后运行本格；重算图会显示在输出中，并保存在 lab01-visual-output。接着用图中的具体变化解释，不从一次样本判断整个分布。
查看可执行代码
import math, json, time, platform
from pathlib import Path
import numpy as np
import matplotlib.pyplot as plt
# Change only this temperature, keeping the model table and sample count fixed.
TRY_T = 1.0
VISUAL_SEED = 20260928
VISUAL_N = 6000
OUT = Path('lab01-visual-output'); OUT.mkdir(exist_ok=True)
FIRST_VIS = np.array([.6,.4])
NEXT_VIS = np.array([[.51,.49],[.99,.01]])
SEQUENCES_VIS = ['A0','A1','B0','B1']
def vis_softmax_temperature(p, temperature):
assert temperature > 0
logp=np.log(p)/temperature; weights=np.exp(logp-logp.max())
return weights/weights.sum()
def vis_joint(temperature):
first=vis_softmax_temperature(FIRST_VIS,temperature)
second=np.stack([vis_softmax_temperature(row,temperature) for row in NEXT_VIS])
return (first[:,None]*second).flatten()
def vis_uniforms(seed,n):
# Portable 32-bit LCG; the browser uses exactly this stream, not a second dataset.
state=int(seed)&0xffffffff; values=[]
for _ in range(2*n):
state=(1664525*state+1013904223)&0xffffffff
values.append(state/4294967296)
return np.asarray(values).reshape(n,2)
def vis_counts(temperature,seed=VISUAL_SEED,n=VISUAL_N):
u=vis_uniforms(seed,n); first=vis_softmax_temperature(FIRST_VIS,temperature)
a=(u[:,0]>=first[0]).astype(int)
p0=np.array([vis_softmax_temperature(row,temperature)[0] for row in NEXT_VIS])
b=(u[:,1]>=p0[a]).astype(int)
return np.bincount(2*a+b,minlength=4)
fig,axes=plt.subplots(1,2,figsize=(12,4.6),gridspec_kw={'width_ratios':[1.1,1]})
ax=axes[0]; pos={'start':(0,.5),'A':(1,.77),'B':(1,.23),'A0':(2,.92),'A1':(2,.63),'B0':(2,.37),'B1':(2,.08)}
for a,b,label in [('start','A','.60'),('start','B','.40'),('A','A0','.51'),('A','A1','.49'),('B','B0','.99'),('B','B1','.01')]:
x,y=pos[a]; xx,yy=pos[b]; ax.annotate('',(xx,yy),(x,y),arrowprops={'arrowstyle':'->','color':'#687484'})
ax.text((x+xx)/2,(y+yy)/2+.035,label,ha='center',fontsize=11)
base=vis_joint(1)
for key,(x,y) in pos.items():
label=key if key not in SEQUENCES_VIS else f'{key} {base[SEQUENCES_VIS.index(key)]:.3f}'
ax.text(x,y,label,ha='center',va='center',bbox={'boxstyle':'round,pad=.4','fc':'#fff4cf' if key=='A0' else '#cde6ed' if key=='B0' else 'white','ec':'#36546b'},fontsize=11)
ax.set(xlim=(-.35,2.55),ylim=(-.02,1.08),title='Same model: greedy A0; whole-sequence MAP B0');ax.axis('off')
axes[1].bar(SEQUENCES_VIS,base,color=['#e2aa37','#b7c6cf','#26799b','#b7c6cf'])
axes[1].set(ylim=(0,.5),ylabel='Exact joint probability',title='Sampling keeps all four outcomes')
fig.tight_layout();fig.savefig(OUT/'lab01-tree.png',dpi=160);plt.show();plt.close(fig)
temperatures=[.35,1.,2.]
fig,axes=plt.subplots(1,3,figsize=(12,3.8),sharey=True); result=[]
for ax,T in zip(axes,temperatures):
exact=vis_joint(T); empirical=vis_counts(T)/VISUAL_N; reps=np.stack([vis_counts(T,VISUAL_SEED+i)/VISUAL_N for i in range(5)])
positions=np.arange(4)
ax.bar(positions-.17,exact,.34,label='exact',color='#003262');ax.bar(positions+.17,empirical,.34,label='sample',color='#fdb515')
ax.scatter(np.repeat(positions,5),reps.T.flatten(),s=12,c='#967318',alpha=.6,label='5 repeat seeds')
ax.set(xticks=positions,xticklabels=SEQUENCES_VIS,title=f'T={T:g}',ylim=(0,.55),xlabel='Complete sequence'); ax.legend(fontsize=8)
result.append({'T':T,'exact':exact.tolist(),'empirical':empirical.tolist(),'repeats':reps.tolist()})
axes[0].set_ylabel('Probability / relative frequency');fig.suptitle(f'Only temperature changes; N={VISUAL_N} per seed',fontsize=13)
fig.tight_layout();fig.savefig(OUT/'lab01-temperature.png',dpi=160);plt.show();plt.close(fig)
fig,ax=plt.subplots(figsize=(7,3.5)); exact=vis_joint(TRY_T); observed=vis_counts(TRY_T)/VISUAL_N
ax.bar(np.arange(4)-.17,exact,.34,label='exact',color='#003262');ax.bar(np.arange(4)+.17,observed,.34,label='sample',color='#fdb515')
ax.set(xticks=range(4),xticklabels=SEQUENCES_VIS,ylim=(0,1),ylabel='Probability',title=f'Your controlled change: T={TRY_T:g}');ax.legend();fig.tight_layout();fig.savefig(OUT/'lab01-your-temperature.png',dpi=160);plt.show();plt.close(fig)
payload={'kind':'finite constructed probability model; not an LLM','seed':VISUAL_SEED,'n':VISUAL_N,'table':{'first':FIRST_VIS.tolist(),'next':NEXT_VIS.tolist()},'comparisons':result,'changed':{'T':TRY_T,'exact':exact.tolist(),'observed':observed.tolist()},'python':platform.python_version(),'numpy':np.__version__}
(OUT/'lab01-results.json').write_text(json.dumps(payload,indent=2))
print(json.dumps(payload['changed'],indent=2))
assert abs(sum(base)-1)<1e-12 and SEQUENCES_VIS[int(base.argmax())]=='B0'
查看保存的计算输出
{
"T": 1.0,
"exact": [
0.306,
0.294,
0.396,
0.004
],
"observed": [
0.2995,
0.29383333333333334,
0.4035,
0.0031666666666666666
]
}
本轮运行与后续阅读
本地执行与云端复核均已完成。 2026-09-28，本册全部代码在本地CPU从空命名空间顺序执行；另通过Deepnote全本运行，状态为success，运行ID为 584c0796-4d82-4548-aed1-ff4bea509572，完成时间 2026-09-28T15:27:40.388Z（UTC）。运行快照检查到本册图形输出且无失败代码块。原模型逐步贪心A0、完整序列MAP B0；三温度精确概率和6000样本对照已输出。
云端运行使用Python 3.13数据科学环境。平台总用时包含启动、Notebook执行与输出保存，不作为算法速度基准；五本均为小规模CPU计算，不调用外部模型或付费API。上方静态图仍明确保留其本地生成来源，云端输出是另一次实际复核。学生修改参数后得到的是自己的新结果。
下面保留此前逐步计算与推导。历史本地数字保留原身份，可把图中一个关系追到对应公式。
固定对象：两个位置、四条序列
所有序列都恰好长 2，没有 EOS、长度惩罚或词表截断。模型参数是下面手工指定的概率，不是训练出的语言模型。
链式法则给出 $p(x_1,x_2)=p(x_1)p(x_2\mid x_1)$。条件表的每一行都归一化，因此乘积也会成为一个归一化的联合分布。这里“第 2 步预测”可以使用第 1 个 token；若把两步都当作独立边际采样，就已经换了模型。
查看可执行代码
import math
import random
from collections import Counter
FIRST = {"A": 0.6, "B": 0.4}
NEXT = {"A": {"0": 0.51, "1": 0.49},
"B": {"0": 0.99, "1": 0.01}}
def joint(first, nxt):
return {a + b: pa * pb
for a, pa in first.items()
for b, pb in nxt[a].items()}
BASE = joint(FIRST, NEXT)
first_choice = max(FIRST, key=FIRST.get)
greedy = first_choice + max(NEXT[first_choice], key=NEXT[first_choice].get)
map_sequence = max(BASE, key=BASE.get)
print("sequence | exact joint probability")
for seq, prob in BASE.items():
print(f"{seq:8s} | {prob:.6f}")
print("greedy =", greedy, "probability =", BASE[greedy])
print("global MAP =", map_sequence, "probability =", BASE[map_sequence])
assert abs(sum(BASE.values()) - 1) < 1e-12
assert greedy == "A0" and map_sequence == "B0"
查看保存的计算输出
sequence | exact joint probability A0 | 0.306000 A1 | 0.294000 B0 | 0.396000 B1 | 0.004000 greedy = A0 probability = 0.306 global MAP = B0 probability = 0.396
历史本地保存输出（2026-09-26；本轮执行记录见开篇）
sequence | exact joint probability
A0 | 0.306000
A1 | 0.294000
B0 | 0.396000
B1 | 0.004000
greedy = A0 probability = 0.306
global MAP = B0 probability = 0.396
解释一次失败，而不是给解码器排榜
贪心在第 1 步只比较 0.6 与 0.4，看不到分支后面概率怎样分散。A 分支把质量近乎对半分给两条路，B 分支几乎集中到 B0，于是完整序列的排序翻转。
这个反例证明逐步局部最大不保证全局最大，并不证明真实语言任务应总取 MAP：最高概率句子与有用、正确、多样的回答也是不同目标。序列很长时，像本册一样穷举通常不可行。
查看可执行代码
def temperature_distribution(distribution, temperature):
assert temperature > 0
# 对 log 概率缩放，减最大值避免数值溢出。
logits = {k: math.log(v) / temperature
for k, v in distribution.items()}
offset = max(logits.values())
weights = {k: math.exp(v - offset) for k, v in logits.items()}
total = sum(weights.values())
return {k: v / total for k, v in weights.items()}
def local_temperature(temperature):
first = temperature_distribution(FIRST, temperature)
nxt = {a: temperature_distribution(row, temperature)
for a, row in NEXT.items()}
return joint(first, nxt)
def entropy(distribution):
return -sum(p * math.log2(p) for p in distribution.values() if p)
def tv(p, q):
return 0.5 * sum(abs(p[k] - q[k]) for k in p)
print("T | local A0 A1 B0 B1 | H(bits) | local/global TV")
for temperature in (0.35, 1.0, 2.0):
local = local_temperature(temperature)
global_scaled = temperature_distribution(BASE, temperature)
numbers = " ".join(f"{local[k]:.4f}" for k in BASE)
print(f"{temperature:4.2f} | {numbers} | {entropy(local):.4f} | {tv(local, global_scaled):.6f}")
assert abs(sum(local.values()) - 1) < 1e-12
assert tv(local_temperature(1.0), BASE) < 1e-12
assert tv(local_temperature(0.35), temperature_distribution(BASE, 0.35)) > 0.05
查看保存的计算输出
T | local A0 A1 B0 B1 | H(bits) | local/global TV 0.35 | 0.4023 0.3588 0.2389 0.0000 | 1.5526 | 0.285792 1.00 | 0.3060 0.2940 0.3960 0.0040 | 1.6031 | 0.000000 2.00 | 0.2780 0.2725 0.4084 0.0410 | 1.7413 | 0.062151
历史本地保存输出（2026-09-26；本轮执行记录见开篇）
T | local A0 A1 B0 B1 | H(bits) | local/global TV
0.35 | 0.4023 0.3588 0.2389 0.0000 | 1.5526 | 0.285792
1.00 | 0.3060 0.2940 0.3960 0.0040 | 1.6031 | 0.000000
2.00 | 0.2780 0.2725 0.4084 0.0410 | 1.7413 | 0.062151
为什么整句温度与逐 token 温度不同？
局部温度在每个前缀下分别计算 $q_T(x_t\mid x_{<t})\propto p(x_t\mid x_{<t})^{1/T}$。这些归一化常数依赖前缀，乘起来后并不通常等于对整个联合分布一次性做 $q_T(x)\propto p(x)^{1/T}$。
T=1 恢复原分布；温度调整没有更新 FIRST 或 NEXT 的学习参数。表中熵描述本例完整序列的随机性，不是回答正确率。尤其不要把“每个给定前缀下的分布变平”直接推广为“任意自回归模型的完整序列熵必然单调增加”：温度也改变了访问不同前缀的频率。
查看可执行代码
def draw(distribution, rng):
keys = list(distribution)
return rng.choices(keys, weights=[distribution[k] for k in keys], k=1)[0]
def sample_ar(temperature, rng):
a = draw(temperature_distribution(FIRST, temperature), rng)
b = draw(temperature_distribution(NEXT[a], temperature), rng)
return a + b
SEED, N, T = 20260926, 30000, 1.0
rng = random.Random(SEED)
observed = Counter(sample_ar(T, rng) for _ in range(N))
exact = local_temperature(T)
print(f"seed={SEED}, n={N}, T={T}")
print("sequence | expected | observed | absolute error")
for seq in BASE:
empirical = observed[seq] / N
print(f"{seq:8s} | {exact[seq]:.5f} | {empirical:.5f} | {abs(empirical-exact[seq]):.5f}")
max_error = max(abs(observed[s] / N - exact[s]) for s in BASE)
assert max_error < 0.015
print("sampling max absolute frequency error =", round(max_error, 6))
查看保存的计算输出
seed=20260926, n=30000, T=1.0 sequence | expected | observed | absolute error A0 | 0.30600 | 0.30530 | 0.00070 A1 | 0.29400 | 0.29113 | 0.00287 B0 | 0.39600 | 0.39933 | 0.00333 B1 | 0.00400 | 0.00423 | 0.00023 sampling max absolute frequency error = 0.003333
历史本地保存输出（2026-09-26；本轮执行记录见开篇）
seed=20260926, n=30000, T=1.0
sequence | expected | observed | absolute error
A0 | 0.30600 | 0.30530 | 0.00070
A1 | 0.29400 | 0.29113 | 0.00287
B0 | 0.39600 | 0.39933 | 0.00333
B1 | 0.00400 | 0.00423 | 0.00023
sampling max absolute frequency error = 0.003333
只改一个条件：温度
保持 FIRST、NEXT、样本量和种子固定，把下一格的 TRY_T 从 1 改为 0.35 或 2。先预测 A0、B0 和极少发生的 B1 哪一个增加，再看枚举与抽样。
先前一格展示的是采样频率是否符合指定分布；下一格的交叉熵则是另一个问题：如果未来数据仍由原始 BASE 产生，修改采样温度后的分布给这些数据多少概率？不能把这两个判断混为一谈。
查看可执行代码
TRY_T = 2.0
changed = local_temperature(TRY_T)
rng_changed = random.Random(SEED)
changed_counts = Counter(sample_ar(TRY_T, rng_changed) for _ in range(N))
cross_entropy = -sum(BASE[s] * math.log2(changed[s]) for s in BASE)
forward_kl = sum(BASE[s] * math.log2(BASE[s] / changed[s]) for s in BASE)
print("changed temperature:", TRY_T)
for seq in BASE:
print(seq, "exact=", round(changed[seq], 5),
"observed=", round(changed_counts[seq] / N, 5))
print("H(BASE):", round(entropy(BASE), 6), "bits/sequence")
print("cross entropy H(BASE, changed):", round(cross_entropy, 6))
print("KL(BASE || changed):", round(forward_kl, 6))
assert abs(cross_entropy - entropy(BASE) - forward_kl) < 1e-12
assert forward_kl >= -1e-12
查看保存的计算输出
changed temperature: 2.0 A0 exact= 0.27801 observed= 0.2774 A1 exact= 0.2725 observed= 0.27057 B0 exact= 0.40844 observed= 0.4116 B1 exact= 0.04105 observed= 0.04043 H(BASE): 1.603095 bits/sequence cross entropy H(BASE, changed): 1.646546 KL(BASE || changed): 0.043451
历史本地保存输出（2026-09-26；本轮执行记录见开篇）
changed temperature: 2.0
A0 exact= 0.27801 observed= 0.2774
A1 exact= 0.2725 observed= 0.27057
B0 exact= 0.40844 observed= 0.4116
B1 exact= 0.04105 observed= 0.04043
H(BASE): 1.603095 bits/sequence
cross entropy H(BASE, changed): 1.646546
KL(BASE || changed): 0.043451
带着数据回答
- 用四个联合概率说明，为什么
A0是逐步贪心答案，B0才是 MAP？ - 选择一行
T != 1，解释局部温度与整体温度的 TV 为什么非零。 - 分别报告
B1的概率、完整序列熵和相对 BASE 的交叉熵。哪些指标增加了？这能说明语义质量吗？
可请 AI 用你实际运行的四行表解释；先让它核对模型表没有随温度一起变化，再讨论观察。
本册证据的边界
这是手工概率模型的精确枚举与伪随机抽样，没有数据训练、神经网络、长上下文或语义评价。本地保存输出来自执行这些代码；Deepnote 是否重跑应以平台运行记录为准。抽样误差会随样本量变化，精确概率不受种子影响。
链式法则与信息量的背景可读 Deep Learning：Probability and Information Theory。本册反例和数值为教学构造，不是该书报告的实验结果。
接回主讲
回到“把联合概率拆成下一步”“训练与生成的前缀不同”“温度改变采样分布”三处。下一步若研究真实语言模型，应固定模型、提示、长度和解码配置，再分别评价质量与多样性；本册不替这些实验预判结果。
从课堂展开：推导、反例与变量实验
先完成上面的有限例子，再按自己尚未弄清的问题选择推导。已有代码只覆盖本册明确列出的计算；后面的研究练习是可继续提出的实验，不是已经运行的结果。
原有解释按连续主题拆到下方；本入口继续保留。
从当前课堂回到这套概率表
N09 的依赖关系在此变为四个可枚举结果；N11 的训练/生成差别是前缀来源。对真实序列 A0，训练第二项读取 A 并给真实 0 评分；自由生成若先抽到 B，下一项必须用 NEXT[B]，不能继续查 A 行。teacher forcing 允许真实过去，不允许当前目标提前进入输入。
N10 的木球问题可做纯手算状态表：起点3颗，取出1颗后2颗，再放入2颗后4颗。把最后事件从放入2颗改成取出2颗，答案应为0颗。这与 N56 回访的是同一事件序列。该对照检验目标需要哪些信息，不是本册四格代码已经测得语言模型状态能力。
外部条件 c 与生成前缀来自不同位置。固定前缀“桌上有一只”，分别给猫照片和狗照片，正确的条件分布应响应输入对象。可用两份手写条件表验证 p(x|c)=∏p(x_i|x_<i,c)，但这里只提出检查方式，未新增或运行模型实验。
下列进一步阅读分成“联合关系与上下文”“似然与信息边界”“解码与采样检查”三组，数值实验继续使用 A0、A1、B0、B1 四种序列。
两个各自正确的边缘分布，仍能拼出错误世界
分别学会每个变量，为什么还不够？
考虑本课程的两盏灯算例：真实数据只有同时关闭和同时打开，各占一半。单看第一盏或第二盏，亮灯概率都是二分之一。如果独立地从两个边缘分布采样，四种组合会各占四分之一，于是得到真实数据从未出现的一亮一灭。两个边缘分布都被精确拟合，联合分布却错了。这不是网络规模不足造成的，而是独立生成时丢掉了变量关系。自回归通过条件分布保留这种依赖，也说明“每个局部看起来合理”不足以保证整体合理。
追问：两个单灯预测都百分之百符合统计，为什么整幅图仍然错？
因为每个变量的边缘概率没有记录它与另一个变量一起出现的方式。原数据要求两盏灯一致，独立采样没有执行这个限制。联合概率可以有相同的行和列总和，却在四个格子里分配不同质量。你需要检查成对事件的频率，或者显式学习给定第一盏灯以后第二盏灯的条件概率。
条件概率是在一条已知分支上重新归一化
知道第一盏灯亮了，第二盏灯的分布怎样改变？
延续两灯例子，当第一盏灯亮时，第二盏灯亮的条件概率为一；第一盏灯灭时，第二盏灯亮的条件概率为零。计算条件概率时，先只保留与已知条件相容的联合事件，再除以该条件事件的总概率。边缘概率二分之一与条件概率零或一并不矛盾，因为它们回答不同问题。概率树中每个节点的出边应加和为一，但整条路径的概率需要相乘。条件事件概率为零时，不能直接用通常的比值定义该条件分布。
追问：条件概率变成一，是不是模型突然对整个世界都没有不确定性了？
它只是在这个精确算例、这个给定条件下对第二盏灯没有不确定性。第一盏灯本身仍然随机，因此整个二变量样本仍有两种可能。不要把一个条件节点的确定性扩展为整个联合分布的确定性。实际任务还要检查条件是否可靠、是否见过，以及数据关系是否真的像本例这样完全一致。
只看最近一个 token，是新的模型假设
p(xᵢ|x<ᵢ) 什么时候能简化为 p(xᵢ|xᵢ₋₁)？
完整链式分解允许当前位置依赖全部前缀。若把条件只保留为最近一个变量，就变成一阶 Markov 假设；在某些过程上合理，在另一些过程上会丢失长期信息。构造序列：第一个符号决定最后一个符号，中间全是相同占位符。只看最后一个占位符无法知道首符号，而完整前缀可以。这个例子为课程补充，用来定位上下文截断的代价。实际语言模型的有限窗口也是一种可用信息边界，不能与无条件独立或完整历史建模混称。
追问：名字叫自回归，是不是天然只使用上一步输出？
不是。“把已有输出作为条件”没有限定只能保留一个输出。完整自回归因子可以使用整个前缀，也可以通过隐藏状态压缩过去。只看一个位置是另外施加的假设。评估模型时需要问清上下文窗口和状态表示，不能仅从“自回归”这个名称推断它能记住多少历史。
乘积变求和：负对数似然落到每个位置
为什么训练代码经常只有一个交叉熵？
对数把序列概率的乘积变成条件对数概率之和，所以负对数似然是每个真实下一 token 的负对数概率相加。离散输出配合 one-hot 标签时，这就是常用交叉熵。若两个位置分别给真实 token 概率0.8和0.5，整段概率为0.4，总负对数似然为−log0.8−log0.5。该数值例为课程补充。按 token 求平均与按序列求平均会改变不同长度样本的权重；需要在实现和报告中明确归一化方式。条件概率过低的那个位置会贡献较大损失，可据此定位具体预测问题。
追问：每个 token 都做分类，为什么整件事还能叫生成模型？
局部分类器预测的是给定前缀时下一变量的分布。将这些条件分布按链式法则组合，就定义了整个序列的联合分布；再逐步从中采样，就得到完整序列。局部计算形式像分类，不妨碍整体用于生成。关键是条件如何变化、各局部分布怎样组合，以及生成时怎样接回前一步结果。
输入和标签为什么错开一个位置
模型正在预测输入位置，还是下一个位置？
对序列“红、杯、结束”，可用“开始、红、杯”作为输入，对应标签是“红、杯、结束”。每个位置的表示据此预测下一个符号。开始和结束标记是常见实现约定；具体分词器可有不同处理，但输入目标错位必须一致。若把输入与标签原样对齐，再允许当前位置读取自身，就可能训练成复制器。这个短序列为课程构造，服务于原课的目标右移一格图。检查损失时还应排除填充位置，避免模型从大量无意义标签获得看似很好的平均分数。
追问：我把完整句子输入网络，再让它输出同一句子，损失也下降了，哪里错？
这可能是在做重构或复制，而不是下一步预测。若当前位置能够直接读取真实目标，它不必利用前缀建立预测能力。需要检查输入标签是否错开、因果遮罩定义与损失位置是否一致。训练损失下降只能说明当前代码中的目标变容易了，不能证明实现了想要的自回归概率分解。
一条路径的概率，与一个节点的概率
选到“新深色轿车”究竟有多大概率？
使用原课车辆树结构，另设本课程数值：轿车概率0.6，给定轿车时深色概率0.25，给定深色轿车时新车概率0.8。那么抽到新深色轿车的联合概率为0.12，而不是0.8。后一个数只在已经走到深色轿车节点后成立。若问所有新车的概率，则要把不同车型、颜色路径中属于新车的概率加起来。这个算例让采样轨迹和概率运算一一对应，也可以用于验证自编采样器的长期频率。把所有叶节点概率相加，还应重新得到总概率一。
追问：最后一步模型很有把握，为什么完整结果还是很罕见？
因为走到这个条件可能本来就很罕见。条件概率评价已知前提下的相对可能性，联合概率还需要把前提发生的概率算进去。一个完整长序列的概率常常很小，并不必然意味着每个局部预测都很差。比较时应说明长度和归一化方式，避免把低联合概率直接解释成低质量。
温度改变输出分布，不改变已训练权重
降低温度以后，模型真的学到了更多吗？
本页为课程补充算例，原课页码只提供条件分布背景。给定logits [0,1,2]，温度T通过softmax(z/T)改变归一化概率。T降低时最大项更集中，T增大时更平缓；只有T为正才使用这个公式。参数θ并未改变，改变的是从模型分数到抽样概率的映射。更平缓可能带来更多变化，也可能增加错误；更集中可能提高某些一致性却降低覆盖。词表有并列最大值时，零温极限仍需说明如何处理并列。比较时同时记录概率表与实际抽样结果，避免用几次偶然输出判断趋势。
追问：温度高生成得更奇怪，是不是等于模型更有创造力？
这里只能证明概率变平、较低分候选更可能出现，不能单凭奇怪程度定义创造力。是否有价值、是否满足条件、是否保持事实与结构，都需要任务标准。你应在相同模型、提示和样本预算下比较，并同时记录成功与失败。采样分布更宽是机制事实，创造力更好是另一个尚需证据的评价。
每一步选最大，并不保证整条序列最大
局部最优为什么可能拼不出全局最优？
课程自编两步树：第一步P(A)=0.6、P(B)=0.4；A后P(0)=0.51，B后P(0)=0.99，其余概率由补数给出。贪心先选A再选0，得到A0，路径概率0.306；但B0概率0.396更大。两步局部选择无法预先比较全部后续分支，因此贪心结果未必是联合概率最大者。这个反例也不说明最高概率句子必然最符合人的任务要求；搜索目标、采样目标和语义质量仍要分别定义。原课提供链式结构，数值与反例由课程补充。即使穷举这个小树没有困难，长序列的分支数量仍会随长度迅速增加。
追问：既然最高概率完整序列更好，我们是否应该永远搜索它？
最高联合概率只是一个明确定义的优化目标，不自动等于对用户最有用或最多样的输出。搜索还有计算成本与长度偏置等问题。若任务要求从模型分布抽样，永远返回同一最高概率序列反而改变了目标。先确认要的是随机样本、最可能路径还是满足外部约束的结果，再选择解码规则。
检验采样器，不能只看一条顺眼的序列
概率实现正确，怎样留下可检查的证据？
课程实验可先使用完整已知的小联合表，通过条件树生成大量样本，再比较每条路径的理论概率与经验频率。实验中固定概率表、随机数算法和样本预算，并保留种子，便于定位实现错误。有限样本与理论概率不必完全一致，因此应观察不同样本量下偏差的变化，而不是要求每一批都精确命中比例。随后故意让采样器忽略条件，检查它何时仍能匹配部分边缘统计。这个对照能揭示只看边缘或精选样本的盲点。
追问：固定种子每次都得到一样结果，能否证明代码正确？
只能证明在当前环境和设置下执行可复现。一个错误的条件索引也可以非常稳定地复现。正确性需要把输出与目标分布的可计算统计比较，并进行能区分正确与错误实现的对照。种子、统计检验和代码检查分别解决不同问题；三者都重要，但不能互相替代。
真实前缀与自身前缀，为何可能带来不同表现
一个早期选择会怎样改变后面的任务？
训练常在真实数据前缀上评价下一步概率；自由生成时前缀由模型先前的选择构成。某些罕见或错误选择可能把后续计算带到训练较少覆盖的条件区域，进而出现连锁变化。这个现象不等于每次偏离参考文本都是错误，因为多解任务本来允许其他合理续写。需要区分不一样、违反条件和结构失效，再设计对照。可以固定模型与后续随机数，在某个位置替换一个token，观察后面哪些变化来自前缀而非重新训练。
追问：只要输出与参考答案不一样，就说明出现了 exposure bias 吗？
不能。参考可能只是条件分布中的一个样本，另一个续写也可能合理。要先定义失败标准，再检查失败是否与自身前缀引起的分布变化相关。即便观察到相关，也需要排除目标不匹配、模型能力不足等解释。不要用一个术语把所有生成差异打包，否则既无法验证，也难以改进。