能量模型（EBM）为观测变量与预测变量的每个联合取值分配一个标量能量。在决策任务中，模型需要从随输入提供的有限选项中挑选一个答案，推理过程等价于比较这些选项的能量，训练则通过降低正确选项相对于其他选项的能量来实现。传统 EBM 只能学习相对兼容性：对所有能量加上同一个随输入变化的常数不会影响预测、Gibbs 分布或常用的训练损失，这导致模型缺乏一个参考水平来判断是否存在合适的选项。ZeroPoint 将空答案设为模型的一个状态，并强制其能量始终为零，从而为所有列出的选项提供明确的基准。每个选项的能量深度被限制为非负，表示相对于空答案的兼容程度。所有选项与空答案共享同一分布，深度为零的选项获得的概率为零，因而模型在普通推理过程中即可决定是选取某个选项还是放弃，而不需要额外的拒绝规则，训练使用负对数似然损失即可。ZeroPoint 的能量函数采用一个小型多语言编码器，读取输入及全部选项并对它们的顺序保持不变性。消融实验表明，主要收益来源于在训练中加入“无可接受选项”的样本。使用相同的编码器和数据，固定的零能量在区分有无可接受选项方面略胜于学习的拒绝类，并明显优于阈值化的 softmax，同时对选项之间的选择保持不变。\n\n点评：ZeroPoint 通过把空答案设为零能量基准，巧妙地将拒绝决策内嵌进能量比较框架，既简化了模型结构，又提升了对不可接受输入的辨识能力，展示了在多语言设置下轻量化决策模型的可行路径。