这类问题我又碰上了一次。为了省存储把 dimensions 从 3072 改成 512，向量表小了很多，但同一批问题的 top5 命中率从 0.82 掉到 0.61，评测集是内部 300 条问答。
第一反应是「降维后未重新调阈值，旧阈值把正确答案挡在外面」，验证下来不成立。
真正麻烦的地方在于，几个原因的现象几乎一样。降维是有损压缩，语义细节在低维空间被抹平；不同维度必须整库一致，混存会让距离失去可比性；短查询在低维下更容易和泛化词撞车。
动手时先在小评测集上对比两个维度的命中率
python eval_recall.py --dim 512 --topk 5 --set eval300.jsonl整库重建同维度向量再测
python reindex.py --model text-embedding-3-large --dim 1024接着按新维度重算相似度阈值
python -c "print('sweep threshold 0.2~0.6, pick best f1')"线上先影子比对再切流
python shadow_eval.py --old 3072 --new 1024 --ratio 0.1怎么算真的好了，看的是同一批现象。同评测集上 top5 命中率回到 0.8 以上，阈值扫描的 F1 峰值出现在新维度对应的区间，检索结果肉眼可用。
提醒一点。降维省的是存储和带宽，代价是精度，真要压成本优先考虑量化存储而不是砍维度。报错文案容易误导，真正的原因往往在相邻那一层的日志里。