本地图围绕“模型到底描述了什么”组织基础知识：预测概率、对象请求与图连接属于不同对象，即使都出现分布、指数或重尾，也不能直接互相代替。
Questions#
预测损失怎样从概率模型产生？请求热度如何归一化与采样？拓扑生成假设怎样限制对现实网络的解释？
Prerequisites#
需要求和、对数、基本概率与图的节点/边概念。不要求先掌握特定缓存算法；先明确统计对象和独立性假设。
Route#
- 交叉熵、最大似然与 KL：回答“如何评价预测分布”，保留固定目标分布的条件。
- Zipf 排名请求模型：回答“哪些对象更常被请求”，用有限集合公式、采样和静态缓存推导说明其能力与遗漏。
- ER 与无标度网络：回答“边如何形成、度分布如何检验”，区分生成机制、分布形状与实证证据。
三条分支可独立阅读；顺序帮助先熟悉概率定义，再处理应用对象，并不意味着网络幂律依赖请求符合 Zipf。
Relations#
- 训练目标的应用：Transformer 生成用逐位置负对数概率训练；预测误差与事实正确性仍需不同评价。
- 资源管理的联系：前缀缓存依赖重复的计算上下文；Zipf 对象热度只能提供类比，不能替代 token 前缀命中条件。
- **区别：**排名概率的 Zipf 指数和度频率的幂律指数描述不同变量，不能看到双对数直线便互用参数。
Sources-and-open#
概率资料阅读范围区分讲义定义和仅读的实证摘要；网络资料区分理论生成模型与统计检验。真实流量的时间局部性及现实拓扑是否符合模型，保留在边界检验问题，不以空标题代替已有解释。