在提议机制中纳入有关目标分布的信息通常会产生高效的马尔可夫链蒙特卡罗算法（或至少比未经通知的对等算法更有效的算法）。例如，事实证明，将梯度信息纳入固定维算法是成功的，如哈密顿蒙特卡罗等算法。在跨维算法中，Green（2003）建议在模型转换期间使用信息均值和协方差矩阵从正态分布中抽取参数建议。这些建议分布可视为参数分布的渐近近似，其中极限与样本大小有关。模型通常使用非信息均匀分布提出。在本文中，我们基于Zanella（2020）提出的离散空间方法，以纳入有关相邻模型的信息。我们依赖于对渐近精确的后验模型概率的近似。我们证明，在某些情况下，将此方法与Green（2003）的方法相结合的采样器在大样本情况下表现得像使用精确模型概率和正确参数分布抽样的理想采样器。我们表明，在某些情况下，建议的采样器的实现是简单的。该方法应用于实际数据示例。该代码可在线获取。