fix(dedup): bezpiecznik na pary drugiego rzedu w merge_phash_exact_dupes

Po scaleniu 4647 par zostalo 7 nowych, POWSTALYCH przez ten przebieg. Merge
przenosi odciski na keepera, wiec scalona scena zbiera phashe wszystkich
wchlonietych (jedna miala ich 14) i zaczyna kolidowac z obcymi scenami przez
odziedziczony phash, ktory nie przedstawia nawet jej tresci.

Ocena recznie po obsadzie i studiach: 5 z 7 (71%) to byly falszywki, m.in.
Brazzers vs Reality Kings i AdultTime vs Teen Curves. W parach pierwszego rzedu
bylo 0 falszywek na 18. Czyli ponowne odpalenie skryptu bez zmian scalaloby
blednie.

Rozdziela je podobienstwo tytulu z duzym marginesem: prawdziwe duplikaty 92,1 i
84,8, wszystkie falszywki 23,0-52,4. Prog 0,70 lezy w srodku luki. Prefiks studia
progu nie rusza, bo token_set_ratio traktuje goly tytul jako podzbior tytulu z
prefiksem.

Po wpieciu: 2 prawdziwe scalone, 5 odrzuconych, kolejny przebieg nie generuje
nowych par. Zbiezne.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

scripts/merge_phash_exact_dupes.py

@@ -14,6 +14,18 @@ UWAGA: merge KASUJE zdublowaną scenę (refs/sources/tags łączone do keepera)
 NIEODWRACALNE. Domyślnie dry-run; --yes wykonuje. Per-para re-fetch → obsługuje klastry
 (scena znika po wcześniejszym merge'u w tym samym klastrze).
 
+**Bezpiecznik na pary drugiego rzędu (dodany 2026-07-27).** Merge PRZENOSI odciski na
+keepera, więc scalona scena zbiera phashe wszystkich wchłoniętych — jedna miała ich 14.
+Taki konglomerat zaczyna potem kolidować z obcymi scenami przez odziedziczony phash,
+który nie przedstawia nawet jego treści. Po przebiegu na 4647 parach zostało 7 nowych,
+POWSTAŁYCH przez ten przebieg, i 5 z nich (71%) było fałszywkami: Brazzers vs Reality
+Kings, AdultTime vs Teen Curves. W parach pierwszego rzędu było 0 fałszywek na 18.
+
+Rozdziela je podobieństwo tytułu, i to z dużym marginesem — zmierzone na tych 7 parach:
+prawdziwe duplikaty 92,1 i 84,8, wszystkie fałszywki 23,0-52,4. Stąd próg 0,70, który
+leży w środku luki. Prefiks studia progu nie rusza, bo `token_set_ratio` traktuje
+„Bursting The Bag" jako podzbiór „FakehubOriginals – Sophia Locke – Bursting The Bag".
+
 Uruchomienie:
   python -m scripts.merge_phash_exact_dupes          # dry-run
   python -m scripts.merge_phash_exact_dupes --yes     # wykonaj
@@ -22,6 +34,7 @@ from __future__ import annotations
 
 import argparse
 
+from rapidfuzz import fuzz
 from sqlalchemy import text
 
 from app.db import session_scope
@@ -29,6 +42,10 @@ from app.models.scene import Scene
 from app.resolve.scene_merge import merge_scenes
 from app.scheduler.bulk_dedup import _pick_keep_drop
 
+# Patrz docstring: zmierzona luka to 52,4 (najgorsza fałszywka) ↔ 84,8 (najsłabszy
+# prawdziwy duplikat). 0.70 siedzi w jej środku.
+_MIN_TITLE_SIM = 0.70
+
 # UWAGA (2026-07-27): bez wykluczenia `phash_blacklist` ten self-join jest NIEBEZPIECZNY.
 # Jedna zaślepka była dzielona przez 892 sceny → sam ten klaster daje ~397 tys. par, a
 # każde dwie z nich o zbliżonej długości i wspólnym performerze zostałyby scalone, mimo
@@ -64,7 +81,7 @@ def main() -> None:
         pairs = [(r[0], r[1]) for r in s.execute(text(_SAFE_PAIRS_SQL))]
     print(f"safe high-confidence duplicate pairs: {len(pairs)}")
 
-    merged = skipped = 0
+    merged = skipped = rejected = 0
     for sa, sb in pairs:
         with session_scope() as s:
             a = s.get(Scene, sa)
@@ -72,6 +89,14 @@ def main() -> None:
             if a is None or b is None or a.id == b.id:
                 skipped += 1  # już zmergowane w tym klastrze
                 continue
+            # Bezpiecznik na pary drugiego rzędu (patrz docstring): sam wspólny phash
+            # nie wystarcza, gdy któraś strona jest konglomeratem po wcześniejszym
+            # merge'u i niesie odziedziczone odciski obcych scen.
+            sim = fuzz.token_set_ratio(a.title_normalized or "", b.title_normalized or "") / 100.0
+            if sim < _MIN_TITLE_SIM:
+                rejected += 1
+                print(f"  SKIP (tytuł {sim:.2f}) '{(a.title or '')[:34]}' vs '{(b.title or '')[:34]}'")
+                continue
             keep, drop = _pick_keep_drop(s, a, b)
             print(f"  {'MERGE' if args.yes else '[dry] MERGE'} keep={str(keep.id)[:8]} "
                   f"'{(keep.title or '')[:32]}' ({keep.duration_sec}s) <- drop={str(drop.id)[:8]} "
@@ -82,9 +107,11 @@ def main() -> None:
                 merged += 1
 
     if args.yes:
-        print(f"\nAPPLIED: merged={merged} skipped(already-gone)={skipped}")
+        print(f"\nAPPLIED: merged={merged} skipped(already-gone)={skipped} "
+              f"rejected(tytuł<{_MIN_TITLE_SIM})={rejected}")
     else:
-        print(f"\n(dry-run — {len(pairs)} par; uruchom z --yes aby scalić. NIEODWRACALNE)")
+        print(f"\n(dry-run — {len(pairs)} par, z tego {rejected} odrzuconych na tytule; "
+              f"uruchom z --yes aby scalić. NIEODWRACALNE)")
 
 
 if __name__ == "__main__":