想象需求接下来只会“恢复”或“继续下滑”，预测却给出一条平稳的中间路线。它的均值和方差可能都对，但这条路线在现实中几乎不会出现。据 Towards Data Science，文章用一维合成时序展示了这种错觉：单一高斯分布——常见的钟形概率分布——会把概率放到真实未来罕见的中间区域。MSE（预测误差平方后的平均值）也难以揭示这种多峰分布，即存在多个高概率走向的未来。
作者改用扩散式预测头：模型以过去序列为条件，经 50 次逐步去噪生成下一时点，再反复生成多步路径。它虽同样用 MSE 训练，却在不同噪声水平上学习去噪，因而能表达单一均值装不下的分布形状。代价也很直观：16 步轨迹要调用小型网络 16×50 次；全部测试情境在 CPU 上，高斯头约一秒，扩散头约一分半。这个实验只覆盖一维、仅依赖最近读数的简单系统，且生成的两个峰约窄五分之一。它更像一个提醒：评价概率预测，不能只看平均误差，还要看模型生成的未来是否像真实可能发生的未来。