🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
你有没有注意过，同样是「把一件事说清楚」，写作文要从左到右一行行写，画人像却常常先画轮廓、再补五官、最后修细节。生成数据其实也有这个「先写哪一块」的问题。
现在最火的大模型走的是第一条路：从左往右，一个词一个词地往外蹦，这叫自回归。好处是每一步都能看到前面所有内容，坏处是顺序被写死了。另一条路叫掩码扩散：先把整句话盖住，再随便挑位置一个个揭开，哪个位置先揭都行。它灵活，但代价是模型要在很多种顺序上「平均用力」。
作者说，这两条路其实是同一根轴的两端，这根轴叫「生成顺序」。对文字来说，从左到右很自然；可对人体姿态（一百多个关节点，先算手还是先算脸）或者表格（几十列，先算收入还是先算职业）来说，根本不存在一个天然的顺序。
这时候两端都可能不是最优：死守一个顺序，可能把关系很远的变量排在一起；完全随机，又会让模型把力气浪费在特别难的预测上。中间那个「为这类数据专门挑一个好顺序」的选项，此前几乎没人系统做过。
② 研究问题（要回答什么？）
这篇论文想弄清楚一件事：能不能让模型自己学出一个顺序，而不是由人来指定？
拆开来看是三个小问题：
- 信号从哪来？没有人告诉模型「脸和脖子关系近」，它凭什么知道谁该排在谁前面？
- 怎么变成顺序？就算知道了「谁和谁关系近」，怎么把一堆关系变成一条从头到尾的队列？
- 真的有用吗？学出来的顺序能不能让模型预测得更准，而不只是看着合理？
还有一个隐含的要求：不能靠标准答案。语言可以拿「从左到右」当参考答案，但姿态和表格根本没有这种答案，方法必须在没有监督的情况下也跑得通。
③ 研究方法（怎么做的？）
作者的做法分三步，可以类比成「观察一个学生的眼睛往哪看 → 画一张关系图 → 排一条队」。
第一步，随便顺序地练。底座叫任意顺序 GPT（AO-GPT）：同一个解码器，你给它什么顺序它就按什么顺序预测，每个位置该预测哪个变量，是通过一层归一化里的位置嵌入告诉它的。先用完全随机的顺序训练一阵。
第二步，看注意力。模型预测某个变量时，会给已经出现的变量分配注意力权重。作者发现：换不同的前缀、不同的顺序，它反复去看的还是那一批变量。这种「反复」就是依赖关系的证据。他们把大量样本、大量随机顺序下的注意力按变量对齐后求平均（还做了曝光校正，避免出现次数多的配对占便宜），得到有向矩阵 A；再用几何平均 W=√(A_ij·A_ji) 得到一张互惠图——只有双向都强的关系才算数。
第三步，谱教师排座位。把互惠图看成一张关系网，给每个变量在这根线上安排坐标，让关系强的挨得近。这在数学上就是求图拉普拉斯矩阵的第二小特征向量（Fiedler 向量），把坐标从小到大排就是候选顺序。可一条线有两个方向，于是再用有向注意力投票：后面预测时更常回头看前面的那个方向胜出。
最后是把它塞进网络。作者加了一个很小的 OrderMLP（两层各 32 宽的小网络），输入注意力矩阵，输出每个变量 0 到 1 的优先级，用谱教师的结果当老师，注意力那一侧不回传梯度。之后训练进入课程：先用随机顺序热身，再慢慢提高使用学到的顺序的概率，期间小网络可以刷新候选，最后把顺序冻结，当成普通 GPT 继续训练和生成。全部在一次训练里完成，不需要另起炉灶。
④ 结果（发现了什么？）
作者在三个差别很大的场景里试：文字、人体姿态、表格。
五个测试集困惑度全降
自己学回从左到右 τ=0.997
整身误差 79.44 毫米
对手 115.23 毫米
最大查询误差 2.33
对手 10.50
文字：约 1.25 亿参数的模型在 OpenWebText 上训练。学出来的顺序和人类习惯的从左到右几乎一致（Kendall τ=0.997），可没有任何人告诉它应该这样。五个测试集的困惑度（越低越好）全面低于同样预算的基线：LAMBADA 50.962 对 69.345，WikiText-103 39.217 对 55.635，1BW 70.046 对 90.168。
更有说服力的是两个对照。其一，只把推理顺序换成从左到右，同一个模型反而更差（LAMBADA 70.262）——说明收益不是「换个顺序读数」这么简单。其二，用同样的课程表但结尾是一个固定的随机顺序，也只到 67.690——说明关键在于顺序本身学对了。
姿态：133 个三维关节点，给一部分二维观测，要补全整个身体。学出来的粗粒度顺序是脸 → 身体和脚 → 手，而数据集原本的编号是「身体 → 脸 → 手」。每个关节的负对数似然 -11.30（基线 -10.59），整身误差 79.44 毫米（基线 115.23），手部误差 30.03 毫米（基线 38.18）。
表格：美国人口普查数据，245 万行、68 列。学到的顺序把统计上相关、语义上也相邻的字段放在一起，局部性得分 17.91（原始列序 23.17，随机期望 23.00）。密度估计 325.488（基线 332.665）；最差的查询误差从 10.50 降到 2.33。
还更快：顺序一旦冻结，就不用每次重算特征向量，小网络前向加排序即可，单次迭代耗时比谱教师低 21.3%（190.992 毫秒对 242.727 毫秒）。
⑤ 讨论（这些发现说明什么？）
为什么「选对顺序」会有这么大差别？作者给了一个很好懂的类比：模型最后输出那一层是共享的、容量有限的，可以想成一个只有几个旋钮的调音台。如果顺序沿着数据的依赖链走，每一步只需要处理「邻居 → 我」这种简单关系，几个旋钮就够；如果顺序跳过了中间变量，模型等于要直接背下「隔着一个人，A 和 C 是什么关系」，就得用多得多的旋钮。
他们把这个直觉做成了定理：在一条链式依赖上，顺着链走（或反着走）只需要 2 个特征就能精确表示；而一旦顺序跳着来，就需要至少 V−1 个。于是「所有顺序平均」的最优损失，必然比「选对顺序」高出一点——这个差距在数据无限多、拟合最优的情况下依然存在。
不过作者也很克制地划了边界。注意力只是模型自己的看法，不是因果，也不是真实的数据生成机制；它依赖于模型当前的状态和当时用的随机顺序策略。学到的还是一个全局顺序，所有样本共用——如果不同样本的依赖结构差异很大，这个顺序就会变成束缚。另外，理论只保证「表示能力」上存在差距，不等于训练一定能找到那个好顺序。
⑥ 结论（最终结论 + 启示）
一句话总结：生成顺序不该是硬编码的假设，而可以是模型自己学出来的变量。
这篇论文给出了一个具体可行的做法——从注意力里读出依赖、用图的方法排成一条线、用小网络把这条线学进架构、冻结后当普通 GPT 用。它在语言上自己走回了从左到右，在姿态和表格上走出了与人工编号不同的顺序，而且都变好了。
更有意思的是它改变了问题的提法：过去几年，自回归和扩散被当成两条对立的路线，大家在「质量换速度」的曲线上挪来挪去。OrderGPT 说，它们其实是同一根轴的两个端点，中间还有一整段没人走过的路。把顺序变成可学习的东西，意味着同一个解码器可以适配不同模态，而不必为每种数据重新设计一套生成方式。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
自回归生成模型把联合分布写成 p_θ(x|c;π)=∏_{t=1}^{D} p_θ(x_{π_t}|x_{π_<t},c)。链式法则本身对置换 π 不加任何限制，但在有限容量下，顺序决定了每一步可见的上下文、条件预测的难度以及生成时误差传播的路径（Bengio et al., 2015），因此它是建模选择而非实现细节。这一形式已扩展到视觉 token、人体姿态、表格与图等结构化域。
现有方法占据设计空间两端。GPT 类自回归模型承诺单一规定分解，通常是语言的 L2R 顺序；当该顺序与数据结构吻合时，它提供强归纳偏置，使容量集中于稳定的预测问题族。掩码扩散模型（SEDD、MDLM、LLaDA 等）从任意观测子集重建被掩码变量，不指定规范遍历，其目标可解释为对随机 reveal 置换取平均的任意顺序自回归训练（Ou et al., 2025; Xue et al., 2025）；代价是把有限容量摊到许多难度不等的分解上，且不识别一个稳定的、可用于训练与生成的顺序。
空白正在中间：对没有自然一维遍历的结构化离散域，两端都可能次优，而「学习单一任务级顺序」这一选项基本未被探索。其困难有三：搜索空间是阶乘级；规范顺序监督通常不可得；最有用的分解可能随模型演进而变化。近邻工作 LO-ARM 把排序视为隐变量、学习状态相关的顺序策略并与似然联合优化；Path Planning 在采样期做自适应解码规划；二者都引入逐样本的顺序决策。
本文贡献：（1）观察到从随机 reveal 前缀预测变量会在主干中产生重复的注意力模式，可作为模型依赖的预测依赖信号；（2）提出 Spectral Teacher，以互惠图、图拉普拉斯 Fiedler 向量与有向注意力定向把该信号转为连续生成优先级；（3）以轻量 OrderMLP 蒸馏该信号并嵌入 GPT 主干，在单次训练内完成学序—退火—冻结—自回归训练；（4）在语言、人体姿态、表格三模态验证，并给出有限容量下的顺序分离定理与谱恢复条件。
I. Theoretical Framework & Hypotheses（理论框架与假设）
出发点：把顺序当作显式建模变量。给定 D 个目标变量、可选条件 c 与置换 π，顺序条件分解为 p_θ(x|c;π)=∏_{t=1}^{D} p_θ(x_{π_t}|x_{π_<t},c)。AO-GPT 的任意顺序目标为 L_AO(θ)=E_{(x,c)}E_{π~q_AO}[−Σ_t log p_θ(x_{π_t}|x_{π_<t},c)]，标准设定下 q_AO 为全部 D! 个置换上的均匀分布；离散情形下该目标与标准掩码扩散训练目标在公式层面等价。本文学习的是单一任务级置换 π*，而非逐样本的顺序策略或顺序分布。
| 命题 | 结论 | 条件与边界 |
|---|---|---|
| Thm A.1 有限容量顺序分离 | 在共享 softmax 输出类 F_C 下，链式顺序 ρ 及其逆序可达 H(P)/D（仅需 2 个特征）；均匀随机顺序的最优风险至少高出 Γ_C=ℓ_C/(D²(D−1))>0 | D≥3、V≥4、2≤C≤V−2；构造为严格正、平稳可逆的一阶马尔可夫链；以 (ρ₁,ρ₃) 开头的顺序至少需 V−1 个特征（中心化对数核秩为 V−1） |
| Thm A.2 谱恢复 | Fiedler 向量升序排序可在至多反向下恢复 ρ | 图对齐假设 Ŵ=αW_ρ+β(11ᵀ−I)+E，且 η/α < min{g_ρ/4, m_ρ·g_ρ/(8√2)}（Davis–Kahan） |
| Prop A.2 排序保真 | MLP 输出降序排序复现教师顺序 | ‖r̂−r‖∞ < Δ_r/2，充分条件为 MSE < Δ_r²/(4D) |
| Thm A.3 优势保持 | R_AO,C*(P) − R(q̂,π̂) ≥ Γ_C − ε_fit | 需对齐、恢复、蒸馏条件成立，且拟合误差 ε_fit < Γ_C |
关键直觉：容量瓶颈设在共享输出接口——所有预测共用一个 C 维 softmax 特征层，而完整前缀仍可见（softmax bottleneck 视角）。沿依赖链走时每次只需表示局部一步条件；跳过中间变量的顺序则要求对未揭示状态做边际化，得到长程条件。AO 目标是在同一预测器上对所有顺序取平均，故必然以正概率遇到困难子问题，产生不可消除的损失间隙。
M. Materials & Methods（材料与方法）
- 主干与条件注入：AO-GPT 在每个 Transformer block 通过 adaLN 注入目标位置嵌入，产生注意力分支与前馈分支各自的 scale、shift 与残差门控，使预测目标在整网调制计算；保留沿 reveal 顺序的因果注意力，支持单次前向似然与顺序生成时的 KV 缓存。语言任务为 12 层 / 10 头 / 640 宽、D=1024、参数量 130,336,512；Seq80 为 4/8/384、D=80；H3WB 为 4/8/256、D=133；CENSUS 为 2/4/128、D=68。
- 注意力对齐与曝光校正：输入为
(start, x_{π1},…,x_{πD})，query 位置 t−1 预测x_{π_t}，key 位置 s≥1 存x_{π_s}；目标—已观测视图取R[:-1,1:]，显式满足可见性s<t，并先按当前变量 ID 重映射两轴再平均。对 N_L 层、N_H 头等权平均后按A_ij=U_ij/max(1,C_ij)除以合法曝光次数，零曝光置零，注意力在累积前 detach。该校正只消除曝光频率不均，不消除对主干与 reveal 上下文的依赖。 - 互惠依赖图：
W_ij=√(A_ij·A_ji)（i≠j），对角为 0；几何平均偏向双向都强的连接，抑制单向链路，同时保留有向矩阵 A 用于定向。 - Spectral Teacher：
L=D_W−W；在零均值、单位范数约束下最小化zᵀLz=½Σ W_ij(z_i−z_j)²，解为 Fiedler 向量v₂，π_raw=argsort(v₂)（连通图下顺序在反向下唯一）。定向用S(π)=Σ_{s<t} A_{π_t,π_s}，在π_raw与其反向中取大者；重排 A 后该分数即下三角与上三角之和。坐标按选定方向取负并归一化到 [0,1]，得到「越早优先级越大」的监督目标。复杂度为 O(D²) 存储、O(D³) 时间（稠密特征分解）。 - OrderMLP：输入为在全部 D² 元素（含零对角）上 z 标准化的展平 A，经两层 32 宽 GELU 隐藏层与 D 维 sigmoid 输出，结构固定为
D²→32→32→D；损失L_order=D⁻¹Σ(q̂_i−q*_i)²，A 与教师目标均 detach，故只更新 MLP。跨连续注意力窗口共享参数，使模块沉淀重复结构、而非复制单个窗口的秩扰动。输入宽度实例：6,400（Seq80）、1,048,576（OpenWebText）、17,689（H3WB）、4,624（CENSUS）。 - 训练生命周期：顺序分布
q_s(π)=(1−p_s)·Unif(S_D)+p_s·δ_{π̂_s}(π)，p_s 自 0 渐增至 1。蒸馏期主干仍用随机 reveal 顺序，谱教师依据聚合注意力监督 MLP；随后 MLP 冻结，逐步提高使用学习顺序的概率；在配置的刷新窗口内 MLP 可依据新注意力提出候选顺序；窗口结束冻结 π*，此后训练与生成均复用该置换，生成阶段不再需要 MLP 前向或特征分解。里程碑（开始蒸馏 / 停止蒸馏 / 退火完成）：Seq80 10k/18k/32k，OpenWebText 4k/40k/60k，H3WB 15k/40k/60k，CENSUS 5k/10k/20k（单位为骨干优化步）。 - 训练与对照设置：OpenWebText 训练 400k 更新、全局批量 480、累计 196.608B token 呈现、6×RTX 5880 Ada、BF16；AdamW（权重衰减 0.1、梯度裁剪 1.0、余弦衰减）。对照含 Canonical AR（语言 L2R、H3WB/CENSUS 原始索引）、Fixed-random AR（全程单一预采样置换）、Fixed-random AR + 同课程（结尾换回随机置换）、以及同一 AO-GPT* 检查点的随机推理与 L2R 推理。内部对照在各域内对齐骨干容量、数据处理与更新预算，但不等价于含顺序发现与 MLP 训练的总算力；已发表行保留其原协议，仅作外部数值参照。
- 数据与表示：语言用 OpenWebText（1,024 token 窗口、50,257 词表补齐至 50,304）与 WikiText103 Seq80（80 token、置换种子 42）；H3WB 为 133 个三维关节，条件于二维关键点与可见性掩码，掩码混合独立遮蔽（权重 0.4、每关节 0.25）与整脸 / 左右手整块遮蔽（各 0.2）；CENSUS 为 1990 年美国人口普查，2,458,285 行 × 68 个类别变量，按连续块切分 2,212,456 / 122,914 / 122,915。变量 ID 在训练前随机重标并全程固定，原始编号与语义名仅用于事后解释。
R. Results（结果）
- 语言（零样本困惑度，约 125M 参数，越低越好）
OrderGPT 在全部五个基准上优于所有内部基线。两项关键消融：同一 AO-GPT* 检查点改用 L2R 推理，在每个基准上都比随机推理更差，说明仅更换推理顺序无法复现收益；终止于任意固定随机置换的同课程对照（67.690 等）虽优于随机推理与全程固定随机，仍全面落后于 OrderGPT，说明收益并非来自课程表本身。相对已发表 AO-GPT‡，OrderGPT 在 LAMBADA、PTB、WikiText-103、1BW 上更低，但 WikiText-2 为 45.125 对 42.100，仍逊于带额外 L2R 数据与语言模型 EMA 的已发表协议；两组并非算力对齐。模型与推理顺序 LAMBADA WikiText-2 PTB WikiText-103 1BW AO-GPT* + 随机推理 69.345 57.606 161.210 55.635 90.168 AO-GPT* + 规范 L2R 推理 70.262 60.273 163.053 58.535 91.069 Fixed-random AR（全程） 71.140 57.830 160.790 56.310 90.390 Fixed-random AR + 课程 67.690 53.600 149.530 51.800 86.870 OrderGPT（OrderMLP） 50.962 45.125 132.753 39.217 70.046 参照：AO-GPT‡（L2R 评测，含 10% L2R 数据） 52.460 42.100 135.960 40.970 71.730 - 学到的顺序（语言）：映射回原始位置后 Kendall τ=0.997（Seq80 上谱教师 0.989、OrderMLP 0.999），即在无 L2R 监督下几乎复现 L2R。图 3(a) 显示 OrderMLP 最终验证损失低于谱教师并逼近规范 AR；3(b) 显示蒸馏 MSE 在初始瞬态后持续走低，归因于共享 MLP 参数跨窗口沉淀重复结构。
- 人体姿态（H3WB masked-I2D，133 关节，3 个种子，均值±样本标准差）
学到的粗粒度遍历为脸 → 身体/脚 → 手，与数据集编号（身体/脚 → 脸 → 手）不同：全部 68 个面部关节先出现，随后 23 个身体/脚关节中的 22 个，再是双手，剩余一个身体关节插入左手区间——说明学到的不是解剖分组的严格拼接。相对 AO-GPT，整身 MPJPE 降低 31%、手部降低 21%；相对 Canonical AR 仍全面更优，而后者的编号本身已含解剖布局先验。方法 NLL/关节 ↓ 整身 MPJPE ↓ 躯干 ↓ 面部局部 ↓ 手部局部 ↓ Canonical AR −11.05±0.02 80.83±1.80 74.86±0.59 10.87±0.66 37.41±3.87 Fixed-random AR −10.68±0.09 99.26±11.87 82.69±8.53 13.14±2.68 36.36±1.71 AO-GPT −10.59±0.07 115.23±15.98 89.97±8.40 14.67±2.95 38.18±0.42 OrderGPT −11.30±0.04 79.44±1.76 72.40±0.73 10.16±0.74 30.03±0.52 - 表格（CENSUS，68 变量，3 个种子，Q-error 越低越好）
相对 AO-GPT，Q-error 各统计量中平均最大值降幅最大（10.500 → 2.333，约 4.5 倍）；相对 Canonical AR 差距较小，中位 Q-error 尤其接近。1,000 条查询、每条 10,000 个采样粒子。方法 测试 NLL/变量（×10⁻³）↓ Q-error P50 Q-error P99 最大 Q-error Canonical AR 325.818±0.020 1.029±0.003 1.459±0.007 2.862±1.137 Fixed-random AR 325.983±0.019 1.032±0.004 1.514±0.100 4.844±0.751 AO-GPT 332.665±0.148 1.046±0.012 1.671±0.006 10.500±4.478 OrderGPT 325.488±0.073 1.027±0.001 1.442±0.013 2.333±1.014 - 学到的顺序（表格）：以
d_W(π)=Σ_{i<j} W_ij|r(i)−r(j)| / Σ_{i<j}W_ij度量局部性，代表性运行中学习顺序为 17.910，原始列序 23.170，随机期望 23.000。事后审计可见兵役/服役前缀（iRvetserv 与 dYrsserv 相距 1 位）、家庭字段成簇、职业与劳动力字段相邻，但 dIncome1 与 dRearning 仍相距 24 位——全局局部性提升并不强制每对相关字段相邻。 - 顺序产出效率（固定检查点回放，Seq80，RTX 4090，BF16）：谱教师每次优化步 242.727 ms，冻结 OrderMLP 为 190.992 ms；经配对随机基线归一化后，每步回放时间低 21.336%。谱路径需 O(D²) 存储与 O(D³) 稠密特征分解，MLP 以一次前向加排序替代重复求解。
- 训练动力学：随学习顺序使用概率上升，OrderMLP 在 OpenWebText 上的最终训练损失低于随机顺序与固定随机基线；H3WB 与 CENSUS 的验证轨迹也在课程转换处与随机基线分离。
a / D. Discussion & Conclusion（讨论与结论）
- 范式定位：本文将生成顺序从固定假设提升为可学习的建模选择，指出 GPT（L2R）与掩码扩散（任意顺序平均）是同一根轴的两个端点，并学习其中间的单一任务级分解。三模态结果显示，学到的顺序既能捕捉模态特有结构（语言的近 L2R、姿态的脸—身—手、表格的语义邻域），又能在全部下游指标上优于同预算的任意顺序训练，说明一个学到的、稳定的分解是规定顺序与均匀随机顺序训练之间有用的中间地带。
- 为何有效：定理把机制落在共享输出接口的容量上——链式顺序只需 2 个特征即可精确表示局部条件，跳序则需 V−1 个；由于 AO 目标在同一预测器上对全部置换取平均，困难子问题以正概率出现，形成不可消除的间隙
Γ_C=ℓ_C/(D²(D−1))。这解释了「为何不能只换推理顺序」：AO-GPT* 的 L2R 推理反而更差，因为其条件预测从未针对单一顺序收敛。 - 与近邻工作的差别：LO-ARM 学习状态相关的顺序策略并以变分下界联合训练，Path Planning 在采样期规划去噪路径，二者均为逐样本自适应；OrderGPT 蒸馏的是跨样本共享的依赖结构，得到固定置换，消除了生成时的策略决策，代价是放弃逐样本适应。作者明确说明未与自适应规划器做实验比较。
- 理论边界（作者自述）：Thm A.1 是输出接口的表示性结果，不是任意网络参数量的下界，也不是训练速度保证，且不意味着每个固定随机顺序都更差；Thm A.2 的图对齐条件是确定性条件，不是训练后的 Transformer 必然满足的有限样本保证；注意力只是模型诱导的关系信号，value 表示等其他计算路径可能补偿注意力权重，故低预测损失未必识别出真实注意力结构；定向规则是端点偏好而非因果识别。
- 局限：全局顺序对所有样本共享，在依赖结构逐样本差异大时会成为限制；注意力信号本身条件于模型与 reveal 策略，退火窗口因此反映当时的顺序混合；实验为 arXiv 预印本，H3WB/CENSUS 仅 3 个种子，主表已发表行保留原协议、非算力对齐；CENSUS 局部性审计的图与保存的置换来自不同检查点，属结构诊断而非泛化检验。
- 实践启示与未来工作：方法对任意 decoder-only 主干即插即用，顺序发现与训练同轮完成，冻结后无额外推理开销，适合具有可复用依赖结构的结构化离散域（姿态、表格、图、分子）。作者提出的下一步是把可复用的全局顺序结构与仅依赖生成时可见变量的上下文相关选择结合，以兼顾共享归纳偏置与逐样本适应。
🧠 IRMaD 思维导图
mindmap
root((生成顺序可学习))
I 引言
自回归固定从左到右
扩散平均所有顺序
两者是同一根轴两端
结构化数据无自然顺序
中间的单一路径未探索
R 核心命题
顺序是建模变量
容量有限时顺序有差
链式顺序两个特征够用
跳序需更多输出特征
随机顺序存在正间隙
M 方法
任意顺序解码器骨架
注意力聚合成有向矩阵
互惠图取几何平均
拉普拉斯取费德勒向量
小网络蒸馏优先级
冻结顺序再自回归训练
R 结果
语言学回从左到右
五个基准困惑度全胜
姿态学到脸身手的顺序
手部误差降到三十毫米
表格最大误差降四倍
顺序刷新快百分之二十一
a 讨论
不是二选一而是中间点
注意力只是模型内信号
全局顺序适合稳定依赖
样本差异大时会受限
D 结论
顺序可作为学习目标
无需标准顺序监督
一次训练内完成
可迁移到其他模态
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。