生成模型

AlphaFold2通过引入注意力机制（Evoformer模块）和等变神经网络将蛋白质单体结构预测精度提升到接近实验级别

决策模型的输出往往是有限动作集合中的一个标签或概率分布，类似于强化学习中的策略网络，而生成模型需要在巨大词汇表上进行自回归采样

当前的大语言模型和生成模型本质上是在海量数据中寻找统计规律

检测模型与生成模型之间存在持续的军备竞赛，生成质量每提升一代现有检测工具准确率下降

对于线性嵌入，用户嵌入的稀疏叠加结构直接由用户行为的生成模型预测。

当前生成模型缺乏显式的物体级表征，通常只在像素或潜空间层面做统计关联，因此当动作复杂或遮挡发生时容易把不同物体语义混淆。

生成模型通过采样器预算来平衡集合质量与计算成本：更大的预算改善集合质量，但计算成本相应增加。

生成模型提供更宽但欠分散的集合，而确定性模型则优先优化逐点误差。

学术界正在探索用生成模型直接学习胶片显影的逆过程。

在脑到文本生成任务中，生成模型（尤其是基于大语言模型的解码器）容易输出与脑信号无关但语言上通顺的内容，即“幻觉”。

多位资深开发者在不同场合表达过类似观点：核心基础设施的代码应该由充分理解其行为的人编写，而不是由生成模型产出后简单审查。

传统上，生成模型和代理策略是分离的，而元认知解码通过控制器将两者耦合，使生成更贴合实际需求。

训练数据版权争议的核心在于：生成模型通常在海量网络视频和图像上训练，其中不少受版权保护，而模型输出可能与训练素材存在风格或构图上的相似性。

该研究假设可以访问生成模型，从而能够从经验马尔可夫决策过程（MDP）中构建估计量 η_m^(n)。

Embedding模型与生成模型是两类不同的模型：前者输出固定维度向量，后者输出文本。

合成图像的质量控制和多样性保障同样关键——生成模型需要能够捕捉到真实患者群体中的变异，而非仅仅复制常见模式。

分层处理架构类似于“快思考与慢思考”的认知模型，已在一些工程实践中尝试，例如对话系统中先用检索匹配生成候选回复，再用生成模型进行润色和逻辑检查。

身份漂移源于生成模型对整张图像进行重绘，而非像传统修图那样只改动局部像素。

生成模型在高分辨率下往往需要额外的超分或重绘步骤，这些步骤可能改变手指数量、饰品位置或服装纹理，因此 4K 不能替代一致性检查，反而会放大不一致。

把生成模型当作模拟器的代理，正在成为计算科学里一条活跃路线。