选用回归Loss的话，Target Label自然从[0档, 1档, 2档, 3档]映射到[0.0, 0.33, 0.66, 1.0]分，直接体现出类别之间的有序性，
直觉上感觉不容易出排序上严重的badcase？，因为如果一个数据如果本来是0.5分，错误顶多可能给预测到0.7分，还行，但是选分类Loss的话，如果本来0档是可能给预测成3档，会是比较严重的badcase。
但是问Gemini，Gemini在实践中，好的分类模型通过其内在机制，可以很好地规避这种风险，并且通常比回归模型更鲁棒。
经过实践，发现如果一个错误测试数据，在分类Loss本来是0档，给预测到了3档，换成回归Loss，可以说本来0.1的分数，还是给预测到了0.98-0.99的高分。
如果数据质量较高的话，足够把类别之间的有序性在数据里体现，可选分类Loss。