流形学习方法如 t-SNE 和 UMAP 能够保持局部邻域，但往往忽略邻居之间的相对排序。两个嵌入可能拥有相同的邻居集合，却在最近点的顺序上出现分歧，这会削弱对顺序敏感的下游任务。为此我们提出 Smooth Rank t-SNE（SR‑tSNE），在标准 t‑SNE 损失上加入可微分的秩项。该秩项采用 sigmoid 秩近似，显式迫使高维空间中的真实邻居在低维嵌入中超越无关点，并保持原有顺序。我们进一步扩展局部保持度（DLP）指标为 Ordinal DLP（O‑DLP），仅在邻居保持其原始秩时计分。实验在图像、文本、语音、遥感和单细胞等八类基准上进行，SR‑tSNE 在秩保持和邻域重叠上超越 12 种基线。消融实验表明，仅秩项即可将 O‑DLP 提升 5%~28%，而传统的成对损失难以实现。该优势在下游任务中得以转化：在七个视觉数据集上实现最佳标签转移性能；在六个单细胞数据集的细胞类型发现任务中，18 项数据集‑指标组合中有 17 项排名第一，无论是否使用细胞标签进行聚类分辨率选择。金融实盘实验显示，SR‑tSNE 在日内交易中获得更高收益、更低风险和更低换手率。我们认为 SR‑tSNE 是首个在 t‑SNE 系列中显式保序的算法。\n\n点评：SR‑tSNE 通过可微分秩近似实现了嵌入顺序的精细控制，在多模态数据和实际应用中展现出显著优势，为流形学习提供了新的评价维度。