我们提出了一种完全可微分的高阶推理近似方法，用于共指消解。该方法利用来自跨度排序架构的先行词分布作为注意力机制，迭代地优化跨度表示。这使得模型能够在预测的聚类中软性地考虑多个层次的信息。为了缓解这一迭代过程的计算成本，我们引入了一种从粗到精的方法，该方法结合了一个精度较低但效率更高的双线性因子，从而在不影响准确性的情况下实现更激进的剪枝。与现有的最先进的跨度排序方法相比，我们的模型在英语OntoNotes基准测试中的准确性显著提高，同时计算效率也远高于前者。