有些模型用於分類，有些模型用於生成。產生模型學習資料的底層分佈，並從中取樣，產生與訓練集相似的新樣本。它們回答的是數據是如何產生的，而不僅僅是如何標註數據。

經典的例子包括樸素貝葉斯模型和高斯混合模型。現代方法則依賴神經網路：變分自編碼器、生成對抗網路和擴散模型。每種方法都在樣本品質、訓練穩定性和計算成本之間進行權衡。

常用生成模型

• 變分自編碼器
• 生成對抗網絡
• 擴散模型
• 自迴歸模型
• 正常化流量

評估很困難。似然性評分有利於某些族群，而視覺品質則有利於另一些族群。沒有單一指標能夠全面衡量產生的樣本是否有用、多樣化以及是否忠於訓練分佈。