學習目標：在 transition matrix 上加一點「回到 [MASK]」的機會，兩件事會壞掉：閉式消失，而且那個量沒有單位——換步數 T 就得重新調。改用「單位時間的流量」來描述，第二個問題直接沒了。

上圖＝Q̄_t 的實際值（連乘出來的）與「閉式猜測」ᾱ_tI+(1−ᾱ_t)·[MASK] 的最大差距　下圖＝同一個參數在三種步數 T 之下，走到終點時還剩多少原字

γ=0 時上圖是一條貼在 0 上的線——閉式完全正確。把 γ 往上推，誤差立刻長出來，Q̄_t 再也不是「ᾱ 倍的 identity ＋ 剩下的全在 [MASK]」那個形狀，每個 t 都得重新連乘一次矩陣。下圖是更麻煩的那件事：兩種模式的遮罩總量都固定（所以 γ=0 時三根柱子一樣高）。選「每步的機率 γ」——在 T=40 校準好的那個 γ 直接拿去 T=10、100、1000 用——三根柱子高度差很多；切到「單位時間的 rate σ」（也就是每步取 σ/T），三根柱子幾乎一樣高。這就是為什麼下一篇要換語言：rate 有單位，每步的機率沒有。