单模型往往有天花板，融合多个模型能降低方差、提升鲁棒性。最常见的是加权融合：对多个模型的分数做线性组合，权重可用网格搜索或逻辑回归在验证集上学得。
加权融合的前提是各模型分数可比。若量纲不同，需先做归一化或概率校准，否则权重会偏向分数范围大的模型。排序场景更稳妥的是按排名融合。
Stacking 用一层元模型学习基模型的输出，表达力更强，但容易过拟合，需要严格的交叉验证生成元特征，且线上推理成本增加，要评估延迟预算。
融合不限于模型层面。多路召回结果合并、规则与模型分数结合，都是广义融合。工程上要保证融合逻辑可配置、可回滚，便于快速实验。
线上做融合实验时，建议用流量分层对比单模型基线，并监控融合后的延迟和稳定性。融合带来的收益若小于复杂度成本，就不值得上线。
