有些模型用于分类，有些模型用于生成。生成模型学习数据的底层分布，并从中采样，生成与训练集相似的新样本。它们回答的是数据是如何生成的，而不仅仅是如何标注数据。

经典的例子包括朴素贝叶斯模型和高斯混合模型。现代方法则依赖于神经网络：变分自编码器、生成对抗网络和扩散模型。每种方法都在样本质量、训练稳定性和计算成本之间进行权衡。

常用生成模型

• 变分自编码器
• 生成对抗网络
• 扩散模型
• 自回归模型
• 正常化流量

评估很困难。似然性评分有利于某些族群，而视觉质量则有利于另一些族群。没有单一指标能够全面衡量生成的样本是否有用、多样化以及是否忠实于训练分布。