INSIGHT三维 Matryoshka 让一次训练产出可按深度/维度/长度灵活裁剪的 embedding，部署时按延迟预算选档，省去为不同场景单独训练 embedding。对社区短文本召回的启示：低维浅层档做粗召回、高维档做精排，既控成本又保召回质量；全量开源也便于在自有 UGC 语料上继续微调。

INSIGHT语料规模增大并不必然提升检索质量——同质化或跨域文档会稀释向量空间，使 top-k 混入噪声。先按领域/类目圈定候选再检索，比单纯堆大索引更能提升相关性。对社区搜索的启示：大规模 UGC 库下按话题/类目/标签做检索前圈定，可缓解长尾 query 的召回稀释。

INSIGHT多模态重排的主要成本在重复编码视觉 token，vision-first 加视觉缓存复用可在多次重排间摊薄这部分算力，early exit 与受限注意力再砍冗余层与跨段交互。对含图文 UGC 的社区搜索：图文重排可通过缓存视觉表示、剪枝低贡献视觉 token 大幅降本，但当前更适配高复用的单 query 场景。

INSIGHT不同于只按 embedding 相似度选难负样本，CERA 用主观性/证据性区分话题相关但非事实支撑的干扰文档，针对看似相关实则答非所问的检索错误。注意力对齐还带来可解释性（高亮证据 token）。代价是依赖人工标注的事实依据，落地需先解决标注数据获取。