La regresión ordinal combina técnicas de clasificación y regresión, restringidas por el orden intrínseco entre categorías. Tiene aplicaciones amplias en escenarios del mundo real, como la clasificación de calidad de productos, diagnósticos médicos y reconocimiento de edad facial, donde entender las relaciones clasificadas es crucial. Los modelos existentes, que a menudo emplean una serie de clasificadores binarios con pérdida de consistencia ordinal, imponen efectivamente una consistencia de orden global, pero frecuentemente encuentran errores de clasificación entre categorías adyacentes. Sin embargo, lograr tanto la consistencia ordinal global como la local (a nivel de vecinos) sigue siendo un desafío significativo. En este estudio, proponemos un modelo híbrido de regresión ordinal que aborda la estructura ordinal global mientras mejora la consistencia local entre categorías vecinas. Nuestro enfoque aprovecha el aprendizaje métrico ordinal para generar incrustaciones que capturan relaciones ordinales globales y extiende los logits de rango consistentes con una penalización de orden de vecinos en la función de pérdida para reducir las malas clasificaciones de categorías adyacentes. Los resultados experimentales en múltiples conjuntos de datos ordinales de referencia demuestran que nuestro modelo minimiza significativamente los errores de clasificación de vecinos y las inconsistencias de orden global, superando a los modelos de regresión ordinal existentes.