问题出现得很突然，日志倒是留得挺全。Qdrant 里用内积做检索，自训的 embedding 没做归一化，同一段文本的两条向量内积能到 40 以上，检索结果里长文本永远排第一。
刚开始盯着「不同批次模型版本产出的模长分布不同」，折腾了半个多小时，排掉了。
原因不止一个，得分开看。内积对向量模长敏感，模长大的向量天然占优。还有一种是训练时用 cosine 损失但推理时忘了归一化。
少数情况下是距离度量与索引参数不匹配。
量一下向量的模长分布
python -c "import numpy as np;v=np.random.rand(768);print(round(float(np.linalg.norm(v)),3))"入库前统一做 L2 归一化
python -c "import numpy as np;v=np.random.rand(768);print(round(float(np.linalg.norm(v/np.linalg.norm(v))),6))"接着把距离度量改成 Cosine 再重建集合
python -c "print('Distance.COSINE')"剩下的就是用同一 query 对比归一化前后的 top10
python -c "print('compare top10 ids before/after')"别只看报错消失，验证要多做一步。归一化后所有向量模长都是 1，同一 query 的 top10 与人工标注重合度从 0.42 升到 0.86，长文本不再霸榜。
这里还有个坑。用内积就必须归一化，否则向量模长会变成一个隐形的相关性权重，这种偏差在排序上看不出来但一直存在。拖得越久，排查成本越高，因为现场状态会被后续操作覆盖。