我们开发了一种新的通用MCMC采样器，用于无需调整的任意连续分布。我们称这个MCMC为t吨-步行。这个t吨-walk在样本空间中保持了两个独立的点，所有动作都基于提案，然后在产品空间上以标准Metropolis-Hastings接受概率接受这些提案。因此t吨-在通常的温和要求下，walk可以证明是收敛的。我们将建议分布或“移动”限制为那些产生算法的分布，该算法对规模不变量，对状态空间的仿射变换近似不变量。因此，不需要对提案进行缩放，也不需要有效地协调可能用于提高采样器效率的转换，因为t吨-walk的操作在目标分布的任何缩放版本上都是相同的。给出了四个步骤，得到了有效的采样算法。

我们使用一种简单的设备，在每个步骤中仅更新坐标的随机子集，以允许应用t吨-走向高维问题。在一系列跨维度的测试问题中，我们发现t吨-与优化优化算法相比，行走只是一个小因素，效率更低，但明显优于未针对特定问题进行优化的一般随机行走M-H采样器。此外t吨-walk对于不存在最优仿射变换的目标分布仍然有效，例如在状态空间的不同区域中相关性结构差异很大的目标分布。

给出了几个示例，它们显示了良好的混合和收敛特性，在1到200个维度上变化，并且使用完全相同的采样器，具有完全不同的尺度和相关结构。这个t吨-walk可用于R、Python、MatLab和C++，网址为http://www.cimat.mx网站/~jac/twalk/