现场是这样的。自建 BERT 审核模型输出 sigmoid 分数，一直按 0.5 截断，正常评论误杀 12%，模型在验证集上 AUC 是 0.93，看起来并不是模型能力问题。
中间走过弯路，把「输入长度超出训练分布 分数漂移」当成主因，改完现象没变。
真正麻烦的地方在于，几个原因的现象几乎一样。训练集正负比例失衡 分数分布整体偏移；阈值沿用默认值 未按业务校准；缺线上回流样本 阈值无法迭代。
第一件事是在验证集上画 PR 曲线选阈值
python -c "from sklearn.metrics import precision_recall_curve;print('pr curve ok')"然后按目标精确率反推阈值
python pick_th.py --target-precision 0.97 --out th.json超长输入截断到训练长度再打分
python infer.py --max-len 256 --batch 64每周回流人工复核样本更新阈值
python feedback.py --queue review --window 7d那几天正好在做别的变更，先把时间线对齐才敢动手。
怎么算真的好了，看的是同一批现象。误杀率降到 3% 以内，召回保持在 95%，线上投诉量同步下降。
容易忽略的是，阈值是业务参数不是模型参数，换业务就要重新标一次。拖得越久，排查成本越高，因为现场状态会被后续操作覆盖。