间距上升0.003就能识破多模态？统计检验新范式把数据形态拿捏了

数据里到底藏着一个峰还是几个峰？这个问题听起来简单，却在统计学里盘踞了几十年。直方图换个箱宽，结论就能翻脸；核密度估计换个带宽，峰的数量也跟着变。所谓“多模态检测”，就是判断一个分布到底有几个峰，它在基因表达、图像分割、金融聚类、物理测量等场景里都是硬需求。而这篇论文的做法，绕开了所有需要调参的密度估计，直接盯住排序后相邻数据点之间的间隔——spacing，中文译为“间距”。

什么是间距？把一组数据从小到大排好，相邻两个数的差就是间距。单峰分布的数据在峰附近最密集，所以那里的间距小且稳定；越往两边尾巴走，点越稀疏，间距迅速变大。整个间距序列画出来像一个字母U，平底加两条陡峭的尾巴。而一旦数据里藏着两个峰甚至多个峰，在峰与峰之间的过渡地带，间距就会鼓起一个局部的“小山包”。这个小山包，就是多模态存在的蛛丝马迹。

论文的野心不止于“看出来”，而是要把这些蛛丝马迹变成严格的统计检验。作者一口气开发了六类方法：基于零假设分布的参数模型、基于符号差分游程的检验、基于游程排列重构的检验、基于Bootstrap的游走检验、以及把现有多款变点检测器融合起来的投票算法。每一类都能输出p值，告诉你这个峰是真实的结构还是随机噪声。在图1的三模态示例中，三个正态分布混合在一起：75个来自均值为-0.1、标准差0.1的紧致分布，300个来自均值为0、标准差1.5的宽分布，125个来自均值为4.0、标准差1.0的分布。期望间距的曲线清晰地呈现出两个特征：第一处紧致分布对应的深谷，以及第二和第三个模态之间在索引368附近的小峰，对应的数据值约为2.477。就这么一个毫不起眼的隆起，就是判别多模态的关键证据。

间距分析揭示数据多模态性

图1 三模态设置（公式4）下的期望间距。上图展示混合分布的期望间距U形曲线，中图为分布函数，下图为单次抽样得到的实际间距散点。可以看到索引375附近有一个局部升高，对应第二与第三个模态之间的过渡。

当然，现实中的单次抽样间距噪声很大，方差和期望值差不多是同一个数量级。直接拿原始间距找峰，会被噪声骗得团团转。论文给出了两种平滑思路：一种是用低通滤波器（推荐Kaiser窗）对间距做平滑，另一种是把“间距”的定义从相邻顺序统计量扩展到隔w个点，称为“区间间距”。有意思的是，论文推导指出，区间间距本质上就是把一个矩形窗套在原始间距上做滑动平均，只是没有除以窗宽，所以看起来会放大差异。矩形窗的主瓣宽、旁瓣抑制差，信号会比较粗糙，但粗糙也有粗糙的用处——它保留了一些小尺度的细节，正好适合用来做游程分析。

接下来是特征提取。论文把多模态信号拆成两种基本形态：峰（peak）和平台（flat）。峰的判定标准是高度：如果一个局部极大值到两侧公共极小值的相对高度不够，就会被合并进相邻的大峰；平台的判定标准是长度：在给定的纹波范围里，连续多少点保持在范围内，够长才算一个平台。这两个特征分别对应多模态的两种表现：峰对应反模态（就是两峰之间的谷底），平台对应模态本身。图2展示了峰合并与平台重叠的具体判定规则，左边是峰值不够高被合并的情况，右边是两个平台允许重叠的边界条件。

图2 峰合并（左）与平台重叠（右）的判定要求。峰的保留与否取决于其高度是否超过全局阈值或相对阈值，平台的保留与否取决于其长度是否满足绝对最小长度或数据占比最小长度。

找到特征之后，最关键的问题是：这个峰到底是真实结构还是随机噪声？论文的第一类检验方法是参数模型。作者用大量仿真为不同零假设分布（即假设数据是单峰的）下的特征值建立了临界值表。峰高模型的思路是：把峰的高度除以滤波后数据的标准差，然后发现这个标准化后的峰高竟然服从Wald分布（也叫逆高斯分布），其中位置参数和形状参数是样本量和滤波器尺寸的函数。平台长度模型则是一个包含24项回归项的公式，平台长度与滤波器尺寸、样本量、分位数之间呈现复杂的交叉关系。这里要特别提醒：对于峰高模型，作者的仿真发现它轻微偏向于“接受”峰，所以建议用0.01的显著性水平来测试；而平台长度模型偏保守，可以用常规的0.05水平。

第二类检验是游程检验，完全不依赖零假设分布，纯非参数。把区间间距逐点做差分，符号只有三种：+1（上升）、-1（下降）、0（持平）。连续的相同符号构成一个“游程”。多模态特征形成时，间距先上升后下降，中间穿插着小幅扰动，游程的模式和纯噪声会有系统性差异。论文使用了三种具体方法：第一种是统计游程总数，用Kaplansky-Riordan公式计算游程数的均值和方差，看实际游程数是否显著偏离期望；第二种是统计最长游程的长度，作者为此专门设计了一个马尔可夫链模型，把状态转移矩阵拆成对角部分（延续当前游程）和非对角部分（切换符号），构造一个扩展状态转移矩阵，通过递归快速计算最长游程超过某个长度的概率；第三种是把游程当作积木来排列组合，把游程的方向和长度重新洗牌，重构出一个“排列峰”，看原始峰高在多少比例的排列中能被重现，如果原始峰高排在很尾部，就说明它不是随机排列能轻易生成的。不过这个排列检验有个限制：相邻游程符号不能相同，否则就合并成了更长的游程，而满足这个限制的排列不到全部排列的5%。

第三类检验叫Bootstrap游走检验，思路更野：把间距信号逐点差分作为“素材池”，从池子里有放回地抽样，累加出一个随机游走序列，看它的峰高和真实特征比怎么样。本质上是用Bootstrap模拟“如果这里没有结构，随机游走能走多高”。这个方法既能测峰也能测平台：测峰时比较的是游走的最大上升高度，测平台时比较的是游走的总幅度。由于间距数据的首尾尾巴会产生巨大差异，检验会忽略开头和结尾各若干个最大的阶跃，默认忽略8到10个，相当于把3到4个标准差之外的离群点删掉。这个方法对峰的判定比较灵敏，0.05的水平就够用；但对平台判定要更严格，建议0.01。

第四类方法是变点检测。作者不直接找峰和平台，而是问：间距信号的行为在哪里发生了突变？R语言里有超过25个变点检测包，但它们的输出质量参差不齐，有的对量化数据过敏、在每个新取值处都触发，有的干脆崩溃。论文的做法是“投票融合”：选一组推荐检测器（非参数PERT变点检测、迭代累积平方和ICSS、联合分割jointseg），把它们输出的变点位置做聚合投票，相近的点算作同一个变点。这样虽然能指出模态之间的过渡区域，但变点并不直接对应峰的顶点或平台的边缘，只能作为特征分析的补充。

光说方法可能还不够直观，来看论文里的两个实际例子。第一个是前面提到的三模态合成数据。图3展示了单次抽样的完整分析结果：低通滤波后的间距曲线在索引389处（数据值2.771）找到一个峰，这个峰同时通过峰高模型和Bootstrap游走检验，p值小于0.001；区间间距在索引302处还有一个峰，通过了最长游程检验（p=0.001）和排列检验（p=0.003），但作者认为这是粗糙右肩上的噪声毛刺，不是真实结构。平台检测方面，低通间距找到的紧致变体平台跨索引157到216（数据值-0.190到-0.035），在区间间距中通过了游走检验（p=0.003），但在低通间距中不显著。

图3 三模态示例的间距模态分析。竖虚线标记峰，点线标记极小值，平台用粗点上的横条标记，顶部刻度标记变点位置。

论文还做了30次不同随机种子的稳定性测试，结果整理在表2里。反模态处的峰在低通间距中24次出现且全部通过检验，区间间距中20次出现、16次通过；紧致变体对应的平台在低通间距中30次全部出现但无一通过检验，区间间距中21次出现、17次通过。这说明不同检验方法在灵敏度上差异很大，不能只盯着单个结果下结论。

第二个例子是1872年墨西哥伊达尔戈邮票的纸张厚度数据。485枚邮票的厚度从0.060毫米到0.131毫米，测量精度到微米级，导致间距被严重量化：423个间隔为0，54个间隔为0.001毫米。这简直是所有平滑方法的噩梦。但作者调整滤波器尺寸到0.07、峰检测阈值到0.10之后，低通间距找出了六个峰，其中索引309（厚度0.0858）同时通过游走检验（p=0.001）和峰高模型（p=0.002）；区间间距则找出了三个通过最长游程检验的峰，厚度分别在0.0764、0.0892和0.1074毫米。有趣的是，论文把间距极小值的位置与Izenman和Sommer 1988年用混合模型找到的七个模态做了对比（表3），两者在0.0716、0.0792、0.0907、0.1003、0.1096、0.1202、0.1285这些位置上高度吻合，唯一多出来的0.0754处极小值，被作者认为是两个主峰之间直方图条形造成的伪影。

图4 1872年伊达尔戈邮票纸张厚度的间距模态分析。高度量化的数据使得原始间距呈阶梯状，但滤波后的间距仍然可以揭示多个模态。

那么这套方法的整体表现如何？论文汇总了81个单峰和多模态样本的评估结果（另一篇论文给出了完整评估），图5展示了低通间距检测到的峰位置和平台中点与理想位置的对比。理想位置通过对每个样本的期望间距数值积分得到，每个样本做了400次抽样取平均，误差条表示一个标准差。无论是峰还是平台中点，都紧密沿着45度对角线分布——这意味着间距特征定位模态位置是准确的。即使特征没有通过显著性检验，它的位置依然是可靠的，只是随着模态越不明显，位置波动会变大。值得注意的是，论文提到当两个正态分布之间的期望间距上升只有0.003时，峰高模型或游走检验就已经能识别出多模态，这比经典的额外质量检验（excess mass test）还要灵敏；而区间间距的检验则

先给没接触过“间距”这个概念的朋友补个背景。把一组数据从小到大排序，得到顺序统计量T₁ ≤ T₂ ≤ … ≤ Tₙ，相邻两个数的差Dᵢ = Tᵢ − Tᵢ₋₁就是间距。直方图横轴上的“桶”把数据按区间归堆，间距则在更细的尺度上刻画数据点之间的疏密程度。单峰分布的数据在峰附近最密集，因此那里的间距小且均匀；越往尾部，点越稀疏，间距迅速拉大。把整个间距序列画出来，就是一个“U”形曲线：平底加两条陡峭的尾巴。这个平底部分对应模态位置，尾巴对应分布的两端。

多模态数据则会在这个U形底上制造额外的结构。两个峰之间的过渡区域，数据密度低于两侧模态中心，间距会鼓起一个局部小峰；每个模态内部，间距则保持相对一致，形成一个平台。论文据此定义了两个核心特征：峰（peak）对应反模态位置，也就是两峰之间的谷底；平台（flat）对应模态本身。找到这些特征，多模态结构就显形了。

论文给出的期望间距公式以逻辑斯蒂分布为例：

其中σ是尺度参数，n是抽样量，i是索引位置。这个公式说明了一个关键事实：U形曲线的平底部分覆盖了大约三分之一的样本点，而首尾间距可以比中间大出n/4倍——100个点时就是25倍，指数分布更是达到99倍。尾部的大间距不是噪声，而是分布本身的数学属性。

但单次抽样的间距非常粗糙，方差和期望值几乎同数量级。直接拿原始间距找峰，会被噪声骗得团团转。论文给出两种处理思路。第一种是低通滤波，推荐Kaiser窗，对间距序列做平滑。第二种是把间距的定义从“相邻顺序统计量”扩展到“隔w个点”，称为区间间距（interval spacing），Dᵢ,ᵥ = Tᵢ − Tᵢ₋ᵥ。论文推导发现，区间间距本质上就是把一个矩形窗套在原始间距上做滑动平均——只是没有归一化，所以看起来像放大了差异。矩形窗主瓣宽、旁瓣抑制差，信号会比较粗糙，但这份粗糙反而保留了小尺度细节，适合后续的游程分析。两种方法各有取舍：低通滤波干净但可能丢掉边缘特征，区间间距粗糙但信息保留更全。

六种互补检测方法解析

找到了峰和平台，下一个问题才是真正的硬骨头：这个峰到底是数据里真实的多模态结构，还是随机噪声碰巧长出来的？论文没有只依赖某一种检验，而是开发了六类互补方法，每一类都能输出p值，从不同角度回答这个问题。

第一类：参数模型。假设数据来自某个已知的单峰分布（零假设），用大规模仿真建立特征值的临界值表。峰高模型的思路是把峰的高度标准化：取峰两侧到最近极小值的较大上升量，除以滤波后数据的标准差，得到一个无量纲的峰高。仿真发现，这个标准化峰高竟然服从Wald分布（也叫逆高斯分布），均值和形状参数是样本量和滤波器尺寸的函数。平台长度模型则是一个包含24项回归项的公式：

这里的参数都是仿真拟合出来的，没有理论推导支撑，属于经验模型。论文自己也很坦诚：曾尝试用Brownian excursion理论来描述峰高，但间距数据不满足正态假设，只能作罢。平台模型的系数如表1所示，表格里交叉项很多，反映的是滤波器尺寸、样本量、分位数三者之间的复杂耦合。

第二类：游程总数检验。不依赖任何零假设分布，纯非参数。把区间间距逐点做差分，差分为正记+1、负记−1、相等记0。连续相同的符号构成一个“游程”（run）。多模态特征形成时，间距先升后降，游程模式会偏离纯噪声的随机模式。统计游程总数，用Kaplansky-Riordan公式计算期望和方差：

其中α₁、α₂、α₃是三种符号计数组合的对称多项式。实际游程数如果显著偏离期望，就说明序列里有非随机的结构。

第三类：最长游程马尔可夫链检验。这是论文自己提出的新模型。传统的游程检验把每个游程独立看待，但间距数据相邻间隔共享同一段区间，天然存在相关性。论文构建了一个马尔可夫链模型来显式捕捉这种相关性。核心做法是：把符号转移矩阵T拆成对角部分A（延续当前游程）和非对角部分B（切换符号），构造一个扩展转移矩阵R，跟踪最长游程长度超过某个阈值L的概率。

因为A是对角矩阵，矩阵幂运算退化为标量幂，递归计算复杂度只有O(LN)，效率很高。这个模型是论文里少有的理论贡献点。

第四类：游程排列检验。思路更巧妙——把峰的两侧看成一系列游程的拼接，把游程的方向和长度重新洗牌，重构出大量“排列峰”，看原始峰高在多少比例的排列中能被重现。排列高度的定义是：

如果原始峰排在很尾部，说明它不是随机排列能轻易生成的，就倾向于真实结构。但由于相邻游程符号不能相同（否则会合并成更长的游程），满足限制的排列不到全部排列的5%。游程数超过8个时，排列数量爆炸，只能随机抽样5000次来近似。这个检验对边缘峰很敏感，需要把通过水平压到0.005才能控制假阳性。

第五类：Bootstrap游走检验。把间距信号逐点差分作为“素材池”，有放回地抽样，累加出随机游走序列，看它的峰高与真实特征比怎么样。这个方法既能测峰也能测平台：测峰时比较游走的最大上升高度，测平台时比较游走的总幅度。本质上是在问：如果这里没有结构，随机游走能走多高？由于间距的尾巴会产生巨大差异，检验会忽略开头和结尾各若干最大阶跃，默认忽略8到10个，相当于删掉3到4个标准差之外的离群点。

第六类：变点检测器投票融合。这一招不直接找峰和平台，而是问：间距信号的行为在哪里发生了突变？R语言里有超过25个变点检测包，但输出质量参差不齐，有的对量化数据过敏、在每个新取值处都触发，有的直接在整数离散数据上崩溃。论文选了三个推荐检测器——非参数PERT变点检测、迭代累积平方和ICSS、联合分割jointseg——把它们的变点位置做聚合投票，相近的点算作同一个变点。这个方法能指出模态之间的过渡区域，但不直接对应峰的顶点或平台的边缘，只作为特征分析的补充。

六类方法各有脾性。参数模型依赖零假设分布的选取，游程检验和排列检验完全非参数，Bootstrap游走最灵活，变点投票最不挑数据。它们之间的结果互相印证，比单一方法可靠得多。

图5展示了论文对81个单峰和多模态样本的宏观评估结果：低通间距检测到的峰位置和平台中点与理想位置对比，理想位置通过对每个样本的期望间距数值积分得到，每个样本做400次抽样取平均。无论是峰还是平台中点，都紧密沿着45度对角线分布——间距特征定位模态位置的准确性是可靠的。即使特征没有通过显著性检验，位置依然可靠，只是模态越不明显，位置波动越大。

三模态合成数据验证

方法好不好，得拉到真实战场上遛遛。论文构造了一个三模态混合分布：75个来自N(−0.1, 0.1)的紧致分布，300个来自N(0, 1.5)的宽分布，125个来自N(4.0, 1.0)的分布。前文图1已经展示了期望间距的U形曲线，其中索引368附近有一个小峰，对应第二和第三个模态之间的过渡，期望间距在那里从谷底爬升到约2.477。这个毫不起眼的隆起，就是判别多模态的关键证据。

单次抽样的分析结果同样已经在前文图3中给出：低通滤波后的间距曲线在索引389处（数据值2.771）找到一个峰，同时通过峰高模型和Bootstrap游走检验，p值小于0.001；区间间距在索引302处还有一个峰，通过了最长游程检验和排列检验，但作者判断这是粗糙右肩上的噪声毛刺。这个细节恰恰说明：方法再多，最终还是需要人来判断哪个峰是真实结构，哪个是噪声。

论文还做了30次不同随机种子的稳定性测试，结果汇总在表2中。反模态处的峰在低通间距中24次出现且全部通过检验，区间间距中20次出现、16次通过；紧致变体对应的平台在低通间距中30次全部出现但无一通过检验，区间间距中21次出现、17次通过。这说明不同检验方法在灵敏度上差异很大——平台检测比峰检测难得多，低通滤波后的平台几乎无法通过任何检验。

表2里最扎眼的数据是：紧致变体平台在低通间距中30次全部出现但无一通过检验。这背后的原因是平台特征的本质：它是“数据点特别密集”的区域，间距值很小，但要在低通滤波后的信号里形成足够长的平台，需要模态内部密度高度一致。而单次抽样中，模态内部也会有随机波动，平台长度往往达不到显著性门槛。这提醒读者：没有通过检验的特征，不代表结构不存在，只是证据不够强。

邮票厚度真实数据应用

合成数据验证完毕，论文还拿了一个真实数据集来检验方法的实用性：1872年墨西哥伊达尔戈邮票的纸张厚度数据。485枚邮票的厚度从0.060毫米到0.131毫米，测量精度到微米级。这套数据的特点让人崩溃——间距被严重量化：423个间隔为0，54个间隔为0.001毫米。也就是说，绝大多数相邻邮票的厚度完全一样，间距信号变成了一串阶梯状脉冲。这种数据对任何平滑方法来说都是噩梦。

前文图4已经展示了这套数据的分析结果：调整滤波器尺寸到0.07、峰检测阈值到0.10之后，低通间距找出了六个峰，其中索引309（厚度0.0858毫米）同时通过游走检验（p=0.001）和峰高模型（p=0.002）；区间间距则找出了三个通过最长游程检验的峰，厚度分别在0.0764毫米、0.0892毫米和0.1074毫米。低通滤波在量化数据上依然能揭示出多个模态——这得益于前文提到的低通滤波器对离散化阶跃的平滑能力。

更关键的验证来自与经典的对比。论文把间距极小值的位置与Izenman和Sommer 1988年用混合模型找到的七个模态做了对比（表3），两者在0.0716毫米、0.0792毫米、0.0907毫米、0.1003毫米、0.1096毫米、0.1202毫米、0.1285毫米这些位置上高度吻合。唯一多出来的0.0754毫米处极小值，被作者认为是两个主峰之间直方图条形造成的伪影。

这个案例给了一个非常实用的启示：即使数据量化严重到几乎所有间距都是0，只要滤波参数调得合适，间距分析依然能提取出有意义的多模态结构。经典方法用混合模型做了大量参数估计，间距分析只需排序、差分、滤波三步，成本低得多。

论文在摘要中给出一个值得注意的结论：当两个正态分布之间的期望间距上升只有0.003时，峰高模型或游走检验就已经能识别出多模态，这比经典的额外质量检验（excess mass test）还要灵敏。所谓“excess mass test”，是通过比较拟合单峰与双峰模型的残差来判断数据是否多模态的经典检验方法，最早由Müller和Sawitzki在1991年提出。间距方法能在0.003的间隔高度上就实现判别，得益于它不依赖核密度估计的带宽选择，统计功效更高。

方法局限与未来展望

这套方法体系覆盖了从特征提取到显著性检验的完整链路，但论文对自身的局限交代得相当坦诚。

首先是理论根基薄弱。参数模型中的Wald分布拟合和24项回归公式，都是经验结果，没有理论推导。作者尝试过引用Brownian excursion理论，但间距数据不满足正态假设，只能放弃。这意味着参数模型的外推能力有限——如果数据分布偏离仿真覆盖的13种基分布太远，临界值表可能不再适用。

其次是灵敏度差异巨大。表2的数据显示，同一个特征在不同检验方法下的通过率可以从0%到100%。峰高模型偏向接受特征，Bootstrap游走检验对峰灵敏但对平台迟钝，排列检验对边缘峰过敏。这种不一致性是好事也是坏事——好的一面是多种方法交叉验证更可靠，坏的一面是如果只看单一检验，结论可能截然不同。

第三是边界处理粗糙。低通滤波会直接忽略距离起点和终点半个滤波器宽度的数据点，这会丢掉边缘处的真实特征。区间间距虽然保留了边缘信息，但矩形窗旁瓣抑制差，信号粗糙，又给峰检测带来额外难度。两头都没有完美的解决方案。

未来值得探索的方向也很明确：把参数模型从13种基分布扩展到更多分布族；给平台检测设计更灵敏的检验统计量；开发自适应滤波器尺寸选择机制，避免手动调参；以及把方法推广到高维数据的间距分析。目前这套方法主要在R语言包里实现，论文提到参考实现见Dimodal包，评估的完整版本在作者2025年的两篇论文中。

总的来说，这篇论文的价值不在于某一个惊艳的算法，而在于它把一个看似古老的问题——多模态检测，用间距这个独特的视角系统地重新做了一遍，并且给出了六种可用的工具。对统计建模、数据质量分析、聚类数预判感兴趣的读者，值得认真读一读。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底在解决什么问题？基于相邻顺序统计量的“间距”（spacing）信号，提出参数模型、游程检验、排列重构、Bootstrap游走检验与变点投票六类方法，既能判断数据是否多模态，又能定位峰与谷，间距仅上升0.003即可分辨双峰。

这篇工作最值得看的点是什么？论文通过三模态合成数据和Hildago邮票厚度真实数据验证了方法有效性，能够定位模态间转换位置，但各测试方法的灵敏度和稳定性存在差异。

这篇工作的边界或风险在哪里？优点：提出了多种互补的间距特征检测方法，包括参数模型、游程检验、置换检验、自助法和变点检测，提供了全面的多模态检测框架；方法不依赖特定的分布假设，具有较好的通用性；对量化数据有一定鲁棒性。缺点：方法较为复杂，涉及多个参数需要调整；各测试方法的灵敏度和特异性差异较大，需要根据数据特点选择合适的方法；对数据量较小或模态差异不明显的情况检测能力有限；缺乏与其他主流多模态检测方法的系统性对比实验。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

利用样本间距（spacing）的统计特征（峰值、平坦段、游程等）来检测数据多模态性，结合参数模型、非参数检验和变点检测等多种互补方法。

实验合理度：★★★☆☆

现有材料未完整覆盖数据划分、基线公平性和统计显著性，因此按中性评价处理。

学术研究价值：★★★★☆

利用样本间距（spacing）的统计特征（峰值、平坦段、游程等）来检测数据多模态性，结合参数模型、非参数检验和变点检测等多种互补方法；更关键的是问题定义是否可复用到同类任务。

稳定性：★★★☆☆

现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。

适应性以及泛化能力：★★★☆☆

现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。

硬件需求及成本：★★★☆☆

现有材料缺少完整训练资源、参数量、显存和推理时延信息，成本暂按中性评价。

复现难度：★★★☆☆

现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。

产品化成熟度：★★★☆☆

论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。

可能的问题：方法较为复杂，涉及多个参数需要调整；各测试方法的灵敏度和特异性差异较大，需要根据数据特点选择合适的方法；对数据量较小或模态差异不明显的情况检测能力有限；

主要参考文献

Kreider G. Using Spacing to Detect Multi-Modality[J]. arXiv preprint arXiv:2608.18228, 2026.

<