就像你说的，使用 Mersenne Twister 进行并行计算几乎总是不正确，因为正确的方法很难实现。

到目前为止，最简单和最好的答案是完全放弃 Mersenne Twister，并使用像PCG 系列这样的东西，它提供了开箱即用的多个流。

众所周知，Mersenne Twister未能通过多项统计测试，同时也比 PCG 和 XorShift+ 系列等较新的 RNG 慢。

Mersenne Twister 在今天如此广泛使用的原因主要是因为之前的 RNG 在性能和质量上都差得多。它还帮助原作者开源了一个高性能的实现。

如果你想使用 MT，你可以使用SFMT作为你的 PRNG 和SFMT 跳转来生成多个流。

您可以简单地用一个种子初始化 MT，然后通过例如$1 \cdot 10^{60}$,$2 \cdot 10^{60}$,$3 \cdot 10^{60}$…生成多个流的步骤。跳转有点昂贵，但您只需要在初始化 PRNG 时执行一次。

真的只有你能回答关于模拟偏差的问题，以及它在你的应用程序中是否可以接受。我使用的标准程序：

使用大量模拟将伪随机序列设置为基准（标准蒙特卡洛）（在风险管理中经常使用 10,000，在其他领域可能使用 100,000 到 1M）。

对数据子集的相同输入数据运行 RNG（我们使用 1 年，但这通常是多余的）。

使用描述您实际用于得出结论/决策的数据特征的统计数据来比较结果。我们使用百分位数 (1,5,25,50,75,95,99)、绝对误差、误差的标准差。所有这些都与您的基准有关。

现在您有了分析结果，您可以根据自己的判断来判断 RNG 偏差是否可以接受。