مقارنة بالراقبين ذات التدفق المزدوج السابقين، حقق النموذج الحديث ذي التدفق الواحد، الذي يسمح بتقاطع مبكر بين منطقة القالب ومنطقة البحث، تحسناً ملحوظاً في الأداء. ومع ذلك، فإن الراقبين ذوي التدفق الواحد الحاليين يسمحون دائماً لمنطقة القالب بالتفاعل مع جميع الأجزاء داخل منطقة البحث عبر جميع طبقات المشفر (encoder). وقد يؤدي هذا إلى ارتباك بين الهدف والخلفية عندما تكون تمثيلات الميزات المستخرجة غير كافية في التمييز. ولتخفيف هذه المشكلة، نقترح طريقة عامة لنمذجة العلاقات تعتمد على تقسيم الرموز التكيفية (adaptive token division). وتُعد هذه الطريقة صيغة عامة لنمذجة العلاقات المستندة إلى الانتباه في تتبع نموذج Transformer، حيث ترث مزايا نهجي التدفق المزدوج والتدفق الواحد السابقين، مع تمكين نمذجة علاقات أكثر مرونة من خلال اختيار الرموز المناسبة من منطقة البحث للتفاعل مع رموز القالب. كما نُدخل استراتيجية قناع الانتباه (attention masking) وتقنية جومبل-سوفيماكس (Gumbel-Softmax) لتسهيل الحساب المتوازي وتعلم النموذج من البداية إلى النهاية (end-to-end) لوحدة تقسيم الرموز. تُظهر التجارب الواسعة أن طريقةنا تتفوق على نهجي التدفق المزدوج والتدفق الواحد، وتُحقق أداءً رائداً في مجال التحدي (state-of-the-art) على ستة معايير صعبة، مع سرعة تشغيل في الوقت الحقيقي.