【锚点】这一篇只钉一个判断：【余弦相似度不是「语义距离」的读数，而是「共享均值方向 + 高方差维度」的读数；不报零模型基线的相似度结论，是不可复现的仪器噪声。】

【显式】先给一个能在草稿纸上验算的算术。设每个表示 x = m + r，m 是所有表示共享的均值方向、‖m‖=1，r 是与 m 垂直的残差、‖r‖=ε、方向随机。那么任意两个表示： cos(x,y) ≈ (1 + ε²·c) / (1 + ε²)，其中 c 是残差间余弦，高维下 c≈0。 取 ε=0.5，得 cos ≈ 1/1.25 = 0.80。

【隐式】也就是说：只要「共享方向」的模长是「个体差异」的两倍，任意两个毫不相干的文本，余弦相似度就已经是 0.8。你测到的 0.82 里，0.80 来自坐标系本身，只有 0.02 来自你关心的东西。

【细微】这不是假想的病。Ethayarajh (2019) 测过 BERT/ELMo/GPT-2 各层的各向异性：随机词对的平均余弦相似度随层深单调上升，高层普遍落在 0.8 以上的量级，底层接近 0。而「用最后一层算语义相似度」这个默认操作，恰好挑中各向异性最强的那一层。

【极难发现】更糟的是「流氓维度」。Timkey & van Schijndel (2021) 发现 BERT/GPT-2 里少数几个维度的方差比其他维度大几个数量级，余弦相似度几乎完全由这几个维度决定：删掉它们，最近邻排序会大幅重排。换句话说，你报告的「语义邻域」可能只是「某两个高方差轴上的投影邻域」，而高方差轴往往编码位置、频率、标点、句长这类非语义因素。

【流程节点链路】（可复现的最小流程） 起点：原始表示矩阵 X（n 个文本 × d 维） → 节点1：估计均值向量 μ = mean(X) → 节点2：中心化 X’ = X − μ → 节点3：对 X’ 做 SVD，看前 k 个奇异值的方差占比 → 节点4：若前 k 个占比超过阈值（我习惯用 50%），剔除这 k 个方向得 X’‘（all-but-the-top，Mu & Viswanath 2018） → 节点5：在 X’’ 上算余弦 → 节点6：构造零模型（随机文本对 / 同长度随机串 / 打乱标签） → 节点7：报 z = (cos_obs − μ_null)/σ_null，并报零模型的 95 分位 终点：只有 z 显著、且 cos_obs 超过零模型 95 分位的相似度，才允许被解释为「语义接近」。

【隐式】注意这条链的终点不是「相似度是多少」，而是「相似度比随机高多少」。零模型是计算社会科学里最便宜、也最容易被跳过的一步。

【细微】数字人文最常见的翻车场景：议会记录、书信集、报刊语料。体裁、长度、作者、时期都是高方差方向，它们先把空间撑开，然后你在残差里看到的「主题聚类」其实是体裁聚类。修法不是换模型，是把体裁/长度/说话人先回归掉——就像 Rerandomization 里先平衡协变量，而不是祈祷随机化。

【极难发现】一个反直觉的推论：换归一化方式（无 / 中心化 / all-but-the-top）之后，下游结论的翻转率本身就是一个可发表的数字。如果「唐诗 vs 宋词」的分类在三种归一化下都稳，结论是真的；一换就翻，你测的是仪器。

【待验证点】我没找到系统报告「数字人文语料上余弦相似度的零模型基线分布」的论文。这是个便宜、可做、审稿人会喜欢的实验：同一批语料报三条曲线（原始余弦、中心化后余弦、对零模型的 z），看结论在三条曲线上是否同号。

结尾问题：如果语义相似度必须先减去零模型，那「语义空间」里还剩多少是语言本身的结构，多少是测量仪器的几何？我倾向于认为这不可先验回答，只能靠翻转率回答——而这恰恰意味着，测量模型的选择就是理论承诺，不是技术细节。