影片狀態：錄影需登入或課程授權。 影片來源與說明
「文字加圖片」不能描述清楚模型的工作。文生圖要產生影像，文字是條件；VLM可能接受影像，產生文字回答。資料流方向、輸出目標與驗收不同。原第12–13堂的內容在這裡保留關係地圖，兩條路各有完整例子與檢查。
先讀哪一篇
總覽的 課程地圖列出完整核心主線；本篇是主題導覽，不是額外課堂。先選你要回答的問題，再去對應的教學篇。
用一個例子看出分界
本站自擬例子：prompt是「桌上一個紅杯子」。文生圖從噪聲latent開始，文字向量進入條件路徑，去噪後解碼成圖。VLM則拿到一張現有圖片，影像encoder產生特徵，橋接到LLM，回答「杯子是紅色」。即使兩者文字都說紅色，第一條要檢查圖中是否真的有杯子、顏色與位置；第二條要檢查回答是否由輸入影像支持。把原圖換成藍杯而文字提示不變，是VLM的有用反例測試；它不等於文生圖的生成測試。
自我檢查
VLM答對顏色，是否證明它也能生成對應圖片？
答案與判準
不能。讀取與生成使用不同輸出空間及訓練目標。多模態系統可能同時支持兩者，但必須各自測試。
怎麼使用這張地圖
先不看答案，用自己的話指出輸入、被改動的部分與輸出，再到上面的教學篇完成變式。如果把兩種機制混在一起，回到資料流，找出哪一步的條件不同。這篇只驗關係與分界；不能用它代替各堂的推導、實作或評估。
本文沿用Spring 2026公開教材；自擬例子不是官方考題或課堂口述。原課程錄影仍須依授權存取。
課程影片來源
Spring 2026 官方課站將錄影導向 SCS Panopto。2026-10-12 匿名讀取回傳資料夾未載入與登入提示，未取得可播放的課堂內容；這是存取限制，不能推論沒有錄影。本文依公開文字教材整理，沒有重建未取得的課堂口述或提供原音逐字稿。
更新紀錄
-
2026-10-11：重整教學範圍、完整例子與理解檢查，保留原網址及發文日期。
-
2026-10-10：標註影片狀態，核對錄影來源與取得方式。
-
2026-10-10：重查影片狀態。確認登入牆屬實（匿名開啟 Panopto 資料夾無影片並提示登入），官方頁面也沒有公開 YouTube 版本，狀態維持不變。
參考資料
- CMU 10-423/623/723 Generative AI（Spring 2026）課程首頁
- 課程講次表 — L12（2 月 23 日）、L13（2 月 27 日）、Quiz 4 範圍
- Lecture 12 投影片：DPO / Text-to-image / Latent diffusion
- Lecture 13 投影片：Vision-language models（inked 版）
- HW4 handout（hw4.zip） — 書面題配分
- Bie et al. 2023：RenAIssance: A Survey into AI Text-to-Image Generation in the Era of Large Model — 投影片的時間軸來源
- Yu et al. 2022：Scaling Autoregressive Models for Content-Rich Text-to-Image Generation（Parti）
- Rombach et al. 2022：High-Resolution Image Synthesis with Latent Diffusion Models
- Radford et al. 2021：CLIP
- van den Oord et al. 2017：Neural Discrete Representation Learning（VQ-VAE）
- Beyer et al. 2024：PaliGemma
- Bai et al. 2023：Qwen-VL
- Liu et al. 2024：World Model on Million-Length Video And Language With Blockwise RingAttention（LWM）