تُدرَّب نماذج التلخيص الاستنتاجي عادةً باستخدام تقدير الاحتمال الأقصى، والذي يفترض توزيعًا هدفًا محددًا (نقطة واحدة)، بحيث تُخصص النموذج المثالي كل كتلة الاحتمال للملخص المرجعي. قد يؤدي هذا الافتراض إلى تدهور الأداء أثناء الاستدلال، حيث يتعين على النموذج مقارنة عدة ملخصات تم إنشاؤها من النظام (ملخصات مرشحة) قد ابتعدت عن الملخص المرجعي. ولحل هذه المشكلة، نقترح نموذج تدريب جديد يفترض توزيعًا غير محدد، بحيث تُخصص كتل احتمالية مختلفة للملخصات المرشحة وفقًا لجودتها. تحقق طريقةنا نتيجة جديدة قياسية على مجموعتي بيانات CNN/DailyMail (47.78 لمؤشر ROUGE-1) وXSum (49.07 لمؤشر ROUGE-1). كما تُظهر التحليلات الإضافية أن نموذجنا يمكنه تقدير احتمالات الملخصات المرشحة بشكل يُظهر ارتباطًا أقوى بمستوى جودتها.