KEY INSIGHT · 对业务意味着什么关键启示：(1) 让 LLM 对单 item 先出结构化推理再打分，显著优于冻结 LLM 直接打分（0.564 vs 0.368），说明收益来自“推理对齐”而非复用静态表征；(2) 显式 CoT 文本提供更丰富梯度（0.596 vs 无 CoT 0.458），self-reflective SFT 冷启动让 RL 更稳（0.581 vs 纯 RL 0.562）；(3) 长尾/冷启动收益最明显（工业集 56% 测试 item 训练未见过），对 UGC 短文本搜索里稀疏 query-doc 的相关性排序有借鉴。代价：pointwise 推理缺乏跨候选的全局比较一致性、对 user history 顺序敏感（方差偏大），且“每候选一次 LLM 推理”的在线延迟是落地门槛。