把 bge-m3 的余弦相似度和 bge-reranker-v2 的 logits 放在一起排序，发现精排结果反而更差，两个分数一个在 0 到 1 一个在负十几到正十几。
一开始怀疑是「向量分数受长度影响，长文档天然偏高」，查了一圈，方向不对。
排查方向其实有限，先把可能性排一排。两套分数分布完全不同，直接相加等于让精排失效。也可能是reranker 分数要先过 sigmoid 才能当概率用。
不容易想到的是，阈值是照旧系统抄的，与新分数尺度不匹配。
动手时先把 reranker 分数转成概率
python -c "import math;print(1/(1+math.exp(-3.2)))"只在召回集内按 reranker 排序，不再和向量分相加
python rerank.py --input recall.jsonl --model BAAI/bge-reranker-v2-m3等前面都确认过，再按评测集扫一遍阈值
python sweep.py --score rerank_prob --range 0.1,0.9 --step 0.05改完先别撤，确认这几项。精排后的 top5 命中率高于只做向量召回，阈值扫描能给出稳定的 F1 峰值，排序不再出现明显错位。
容易忽略的是，两阶段检索的分数不能混算，各管一段：向量负责召回广度，reranker 负责精度，混着加权重往往越调越差。如果同一现象隔几天又出现，说明根因没找到，别当偶发处理。