绿色‑红色水印通过一个由前缀令牌派生的密钥生成绿名单，倾向于选择绿名单中的词。扩散语言模型（Diffusion LM）常常在其前置令牌出现之前就决定当前词，而该词随后又会影响其邻近位置的绿名单。于是已有方法只能在每一次选择时倾斜概率，以提升自身及相邻位置的期望绿词数。
本文在该目标函数上做两项改进：第一，学习词表频段（vocabulary bands）作为绿名单，使其能够区分竞争候选并保持空分布（null distribution）精确；第二，训练前瞻预测器（foresight predictor），估计每个候选词对其邻居预测的位移。
此外，我们的计数方式与检测器保持一致：对每一对唯一的上下文‑词组合只计一次绿词，重复出现不再获得额外计分。
在 WaterBench 基准上使用 LLaDA‑8B‑Instruct 进行实验，单独学习的两项组件在相同失真下均提升了 z‑score，且提升效果近乎线性相加。配合强水印时，模型在 1% 假阳性率下能够检测到至少 96% 的回复，同时保持与未加水印文本相同的 LLM‑judge 评分。对 Dream 数据集的检测率进一步提升，对代码和问答任务的检测率不低于或超过基线，且任务准确率几乎不受影响。