fix: 限制语法模型全局调频，仅提拔最优解以保护候选词序

[amzxyz]

【背景与痛点】
引入语法模型（N-gram）的核心初衷是为了提升长句输入的连贯性与准确度。然而，由于 N-gram 模型不可避免地包含长尾数据，且其切词结构无法像人工词库那样严谨，这就导致了一个灾难性的体验退化：
如果放任语法模型对所有候选词进行全局上下文重排，即使模型成功命中了首位最优解，后续的候选列表也会发生严重的“大洗牌”。这彻底破坏了用户长期形成的“在第几页第几位找词”的肌肉记忆与输入节奏。这也是为什么社区长期以来只能无奈建议用户“保留长句预测，关闭上下文调频”的根源所在。

【改进依据与核心逻辑】
本次 PR 旨在从根本上解决这一冲突，将上下文调频严格限制为“仅提拔最优解，其余候选保持原序”。强烈建议通过本次 PR，主要基于以下三个维度的考量：

1. 遵循“最小侵入性”原则（捍卫用户体验）
   各个输入方案本身已有极其成熟的默认排序。对用户而言，不同方案排序虽有差异，但特定语境下的“最优解”往往殊途同归。如果为了一个聪明的首选项，而牺牲掉整个后续列表的稳定性，打乱用户的输入节奏，这无疑是“得不偿失”的。本次修改实现了精准干预：模型只负责交出最聪明的第一名，剩下的排序权利交还回词库与用户记忆。

2. 正视模型制约与数据维度的客观限制
   在面对极其庞大且长尾的输入数据量时，模型客观上无法保证对批量且低频的候选词组做出 100% 正确且符合常理的调频排序。既然无法保证全盘正确，就应当避免让底层模型对下位候选词进行无效且添乱的“算分”。

3. 解决“单字输入”的重灾区问题
   在原本的全局调频机制下，“单字”候选是发生排序逆转的绝对重灾区。相比之下，长词组（如 2+2 结构）因为受到长度和特定组合的强约束，稳定性天然较高。因此，叫停全局调频，能立刻挽救单字输入的严重乱序现象，恢复单字的输入体验。

【总结】
综上所述，让语法模型专职负责“推举唯一最优解”，放弃对全局候选的干涉，是平衡“长句智能化”与“基础词库稳定性”的最优解。此方案兼顾了技术的可行性与用户体验的连贯性，建议同意合并本次 PR。