总览 · ← 返回运行 20261001-233756-search-t1-abc-r0-A-era

节点 n14

类型内中心性偏置抽样（按到类型中位表达的Pearson相关加权）与温度丰度排名轴均实测证伪，默认精确回退节点13配置；表达值不修改

方法说明?节点程序自带的 METHOD.md：这个程序做了什么、为什么。

来自 programs.git 3a1f6ecb1e:solution/METHOD.md

调研员的计划

代码改动?这个节点的程序和父节点程序的逐行差别：绿色是新增，红色是删除。

对比：父节点版本 ec3e1aab1e。改动的文件：solution/METHOD.md +23 −30、solution/README.md +2 −2、solution/run.py +101 −7

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 5f1df56..96204e1 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,43 +1,36 @@-# 节点11基础上把标量温度换成按类型的权重温度：类型按中位权重升序排名，T_c 从 0.60 线性升到 0.90（低权重类型保留更多细胞）；类型特定 k=2 保底实测证伪；表达值不修改+# 类型内中心性偏置抽样（按到类型中位表达的Pearson相关加权）与温度丰度排名轴均实测证伪，默认精确回退节点13配置；表达值不修改  ## 方法 -基底与节点 11 完全一致：最新官方输入阶段细胞池、类型级增殖权重（alpha=-3）、细胞级梯度（beta=-0.5）、凋亡罚分（gamma=0.2）、k=1 wrand 分层保底、E-S 加权不放回抽样。**唯一采用的新操作**：+基底与节点 13 完全一致（最新官方输入阶段细胞池、alpha=-3 类型增殖权重、beta=-0.5 细胞级梯度、gamma=0.2 凋亡罚分、k=1 wrand 保底、按类型中位权重排名的温度 T_c∈[0.60,0.90]、E-S 不放回抽样）。本节点按计划实现了两个新机制，**均实测负向或中性，默认全部关闭/保持节点 13**： -**按类型的权重温度（T_lo=0.60, T_hi=0.90）**：抽样前把每细胞权重替换为 w_i^{T_{c(i)}}。类型按其中位权重升序排名 r，T_c = T_lo + (T_hi-T_lo)·r/(n_types-1)。权重最低（增殖最强、被 alpha=-3 压得最狠）的类型得到 T=0.60，保留更多存在；权重最高的类型得到 T=0.90，比均匀 T=0.85 压得更平。T_lo==T_hi 精确退化为节点 11 的均匀温度；无 celltype 列或类型数 <4 时退回 VEC_TEMP（默认 0.85）。排名与 T_c 全部由输入池现场计算，确定性（stable argsort，无随机）。+1. **类型内中心性偏置（VEC_CENT，默认 0=关闭）**：对每个类型算逐基因中位表达 mu_c（稀疏感知，只遍历 >50% 细胞表达的列），细胞权重乘入 c_i = (clip(corr(x_i, mu_c), 0.05, 1) / 类型内均值)^delta，再 clip [0.01,100]，然后照旧过温度与 E-S 抽样。类型 <5 细胞跳过。delta=0 精确退化节点 13。全程确定性、无 RNG。X3 恒等路径（n_out≥n_obs）跳过该块，X3 输出不变。+2. **温度丰度排名轴（VEC_TAXIS，默认 "weight"=节点 13）**：T_c 排名轴从类型中位权重换成类型细胞数升序（最稀有的类型得最低温度、保留更多存在）。 -**类型特定 k=2 保底（已实现，默认关闭 VEC_KLOW=0）**：只对权重最低四分位的类型把保底从 k=1 提到 k=2。实测证伪（见下表），与节点 9 的全局 k=2 同一种失败模式（de_score 掉档）。+## 查分记录（proxy A 半，本节点共用 8 次） -环境变量：VEC_TLO（默认 0.60）、VEC_THI（默认 0.90）、VEC_KLOW/VEC_QLOW（默认 0/0.25，关闭）、其余同节点 11。X3 路径（n_out≥n_obs）：温度不改变恒等输出的多重集，X3 输出与父节点逐字节一致（sha256 验证）。proxy2 只用官方 E8.5（include_external=False），输出与 proxy 逐字节一致。--## 查分记录（proxy A 半，本节点共用 10 次）--| 配置 (T_lo, T_hi) | seed 0 | seed 1 | de_score s0/s1 | cell_state s0/s1 |+| 配置 | seed 0 | seed 1 | de_score s0/s1 | 备注 | |---|---|---|---|---|-| 父节点 11（均匀 0.85） | 55.65 | 55.45 | 0.0727 / 0.0545 | 57.17 / 56.28 |-| **(0.60, 0.90)（采用）** | **56.01** | **55.48** | 0.0727 / 0.0545 | 58.32 / 57.24 |-| (0.65, 0.90) | 55.99 | 55.11 | 0.0727 / 0.0364 | 58.34 / 55.96 |-| (0.50, 0.90) | 55.90 | - | 0.0727 | 58.11 |-| (0.60, 0.85) | 55.83 | - | 0.0545 | 58.17 |-| (0.70, 0.85) | 55.53 | - | 0.0545 | 57.01 |-| (0.40, 0.95) | 55.34 | - | 0.0545 | 56.95 |-| (0.60, 0.90)+KLOW=2 | 55.27 | - | 0.0545 | 56.58 |-| 均匀 0.85+KLOW=2 | 55.39 | - | 0.0545 | 56.90 |--关键发现：-1. T_hi=0.90 且 T_lo≥0.50 时 de_score 在 s0 稳定保持 0.0727 平台；T_hi<0.90 或 T_lo≤0.40 或 KLOW=2 都掉回 0.0545。**0.0727 平台未被突破**（PLAN 风险 1 成立：平台对该组成家族是结构性的）。-2. 采用配置的收益来自 cell_state：两 seed 一致 +1.15/+0.96，高于任何均匀温度（最高 57.57@T=0.75 但 de_recovery 掉档）。方向两 seed 均正（+0.36/+0.03）。-3. 类型特定 k=2 保底与全局 k=2 一样负向，保底家族到此为止（k=1 + 温度是该家族最优）。-4. de_score 随 seed 翻档（父 s1 也是 0.0545）是总分主要方差来源，组成微调控制不了。+| 基底=节点 13 | 56.01 | 55.48(父报) | 0.0727 / 0.0545 | 本次复跑 56.005 确认环境一致 |+| 中心性 delta=0.2 | 55.44 | - | 0.0545 | cell_state 57.35, cov 53.20 |+| 中心性 delta=0.3 | 55.58 | - | 0.0727 | cell_state 56.88 |+| 中心性 delta=0.5 | 55.57 | 55.09 | 0.0727 / 0.0364 | 双 seed 均负 |+| 中心性 delta=-0.2 | 55.61 | - | 0.0727 | 反向也负 |+| 丰度轴 (0.60,0.90) | 56.02 | 55.34 | 0.0545 / 0.0364 | s0 cov +1.3 但 de 掉档；s1 负 |++结论：+1. **中心性偏置两个方向都伤分**：偏向类型中心细胞减少类型内多样性，covariation/cell_state 受损，de_score 平台 0.0727 未被突破（PLAN 风险 2 成立）。de_recovery 对该组成家族是结构性的，此路封闭。+2. **丰度轴不满足父节点采纳标准（双 seed >55.6）**：s0 总分持平（cov +1.3 被 de 掉档抵消），s1 55.34 < 55.48。de_score 档位似乎绑定「权重轴 + T_hi=0.90」这一具体温度分配，换轴即掉档。不采纳。+3. 默认提交 = 节点 13 行为的逐字节复现（sha256 验证），预期正式分 ≈ 父节点。  ## 验证过 / 未验证 -- 验证：9 个 proxy A 半配置查分；采用配置双 seed；proxy2 / X3 输出与 proxy / 父路径逐字节一致（sha256，故 proxy2=56.01、X3=50.00 无需查分）；三视图 vec-check ok；同 seed 重跑输出逐字节一致（确定性）。预计 A 半节点分 (56.01+56.01+50)/3 ≈ 54.00 vs 父 A 半 53.77。-- 未验证：final 视图（代码路径同 proxy，dt=1，类型温度机制同样只用输入阶段自身信息）；B 半。**A 半增益 +0.23（双 seed 均值 +0.20）在 ±2 噪声带内，不宣称显著进步**；采用理由：双 seed 方向一致、cell_state 子分一致 +1、机制是节点 11 已采纳温度的自然细化、T_lo=T_hi=0.85 可精确回退。-- 知识来源：细胞周期基因（Tirosh et al. 2016 惯例）、凋亡基因（GO:0006915），同父节点。类型温度只用输入池自身权重排名，无任何硬编码统计。未用保留阶段/禁窗/保留基因型信息。+- 验证：8 次 proxy A 半查分（中心性 5 配置 + 丰度轴双 seed + 基底复现）；VEC_CENT=0 且 VEC_TAXIS=weight 默认输出与节点 13 代码路径逐字节一致（final_proxy_s0 与 base_s0 sha256 相同）；同 seed 重跑逐字节一致（确定性）；proxy2 输出与 proxy 逐字节一致（include_external=False，sha256 相同，proxy2 无需另查）；X3 恒等路径不受两机制影响（n_out≥n_obs 时中心性块跳过、温度不改多重集）；三视图 vec-check 全部 ok；运行 ~4.5s、内存与父节点相同量级。+- 未验证：final 视图（代码路径同 proxy，dt=1）；B 半。本节点为**证伪型负结果**：提交配置即父配置，无新增分数主张。+- 知识来源：同父节点（细胞周期基因 Tirosh et al. 2016 惯例、凋亡基因 GO:0006915）；中心性与丰度轴只用输入池自身表达/计数现场计算，无硬编码统计，未用保留阶段/禁窗/保留基因型信息。  ## 下一步建议 -1. 保底+温度家族已收敛（de_score 平台 0.0727 是结构性的）；想再上台阶需要不同家族的组成操作，例如对低权重类型做「细胞复制式」过采样（有放回），但预期伤 covariation/MMD，先单次查分验证即止。-2. cell_state 对权重分布形状最敏感（温度细化 +1），可试按类型丰度（而非权重）排名的第二种温度轴，或对 T_c 用权重分位数而非排名（对类型数更稳健）。-3. de_score 随 seed 翻档说明 B 半可能落在任一档；不建议再为 A 半 de_score 榨参数（A/B 半档位可能不同，过拟合无益）。+1. 组成-权重家族（比例、温度、保底、中心性、丰度轴）已系统扫过且全部收敛/证伪；de_score 阶梯 0.0727→更高档对任何抽样权重形状不敏感。建议换家族：在保持逐细胞实体的前提下做**细胞状态的轻度演化**（如对每种类型按已发布 E8.5→E9.5 之外的通用分化知识做小幅基因模块调整），或类型间**过渡态细胞的构造**（混合型插值细胞以少量比例注入），目标直接对准 de_recovery/direction。+2. covariation 对「稀有类型保留」有响应（丰度轴 s0 cov +1.3）：若能与权重轴温度做凸组合轴（rank = ρ·权重排名 + (1-ρ)·丰度排名，ρ 可搜），可能保住 de 档的同时吃到 cov 增益；单 seed 探针 ≤2 次。+3. 不要再试：任何 k≥2 保底、任何中心性/典型性偏置、T_hi<0.90 的温度。diff --git a/solution/README.md b/solution/README.mdindex 0eb4eb5..2596be5 100644--- a/solution/README.md+++ b/solution/README.md@@ -1,3 +1,3 @@-# 增殖加权重采样 + 类型保底抽样（节点 9）+# 增殖加权重采样 + 类型保底 + 按类型温度（节点 13 配置；节点 14 两新机制实测证伪、默认关闭） -最新官方输入阶段的细胞池，按类型级增殖权重（alpha=-3）、细胞级梯度（beta=-0.5）、凋亡罚分（gamma=0.2）做 E-S 加权不放回抽样；抽样前每类型按权重随机预留 k=1 个代表细胞（保底），表达值不修改。详见 METHOD.md。环境变量：VEC_K / VEC_KMODE / VEC_EPS / VEC_ALPHA / VEC_BETA / VEC_GAMMA。+最新官方输入阶段的细胞池，按类型级增殖权重（alpha=-3）、细胞级梯度（beta=-0.5）、凋亡罚分（gamma=0.2）做 E-S 加权不放回抽样；抽样前每类型按权重随机预留 k=1 个代表细胞（保底）；温度按类型中位权重排名从 T_lo=0.60 线性升到 T_hi=0.90。表达值不修改。节点 14 新增但默认关闭：类型内中心性偏置（VEC_CENT=0）、温度丰度排名轴（VEC_TAXIS=weight）——均实测负向，详见 METHOD.md。环境变量：VEC_ALPHA / VEC_BETA / VEC_GAMMA / VEC_K / VEC_KMODE / VEC_TEMP / VEC_TLO / VEC_THI / VEC_TAXIS / VEC_CENT / VEC_EPS / VEC_DELTA。diff --git a/solution/run.py b/solution/run.pyindex 3cbcc98..91705a4 100644--- a/solution/run.py+++ b/solution/run.py@@ -70,10 +70,25 @@ Node 13 addition (composition only, expressions untouched):      falls back to VEC_TEMP. Grid measured (seed 0): (0.65,0.90)=55.99,      (0.50,0.90)=55.90, (0.60,0.85)=55.83, (0.70,0.85)=55.53,      (0.40,0.95)=55.34 -- spread too wide or T_hi<0.90 loses de_score.-   * type-specific presence floor k=2 for the lowest-weight quartile of-     types (VEC_KLOW, default 0 = OFF): measured negative, 55.27 (with-     per-type temp) and 55.39 (with uniform T=0.85) at seed 0, de_score-     drops to 0.0545 -- same failure mode as the global k=2 of node 9.+    * type-specific presence floor k=2 for the lowest-weight quartile of+      types (VEC_KLOW, default 0 = OFF): measured negative, 55.27 (with+      per-type temp) and 55.39 (with uniform T=0.85) at seed 0, de_score+      drops to 0.0545 -- same failure mode as the global k=2 of node 9.++Node 14 (both mechanisms MEASURED NEGATIVE, defaults keep node 13 exactly):+    * within-type centrality bias (VEC_CENT, default 0 = OFF): c_i =+      (corr(x_i, median_c) / mean_type)**delta multiplied into w_i before+      temperature. Proxy A-half seed 0: delta=0.2 -> 55.44 (de_score 0.0545),+      0.3 -> 55.58, 0.5 -> 55.57, -0.2 -> 55.61, vs base 56.01; delta=0.5+      seed 1 -> 55.09 (de_score 0.0364) vs base 55.48. Both signs hurt:+      sampling typical (central) cells reduces within-type diversity that the+      distribution metrics reward, and de_score does not improve. Refuted.+    * abundance ranking axis for the per-type temperature (VEC_TAXIS,+      default "weight" = node 13): rank types by cell count instead of median+      weight. Proxy A-half seed 0: 56.02 (covariation 53.93 -> 55.26 but+      de_score drops to 0.0545); seed 1: 55.34 vs base 55.48, de_score+      0.0364. Not positive on both seeds -> not adopted. The de_score tier+      (0.0727) requires the weight axis with T_hi=0.90, T_lo in [0.5, 0.65]. """  from __future__ import annotations@@ -189,7 +204,7 @@ def type_weights(adata, scores: np.ndarray, alpha: float, dt: float,   def apply_temperature(w: np.ndarray, ct: np.ndarray | None, temp: float,-                      t_lo: float, t_hi: float) -> np.ndarray:+                       t_lo: float, t_hi: float, axis: str = "weight") -> np.ndarray:     """Per-type weight temperature (node 13).      Types are ranked by their median weight ascending; the type with rank r@@ -198,6 +213,9 @@ def apply_temperature(w: np.ndarray, ct: np.ndarray | None, temp: float,     (strongly downweighted, highly proliferative) types more, preserving     their presence. t_lo == t_hi reproduces the uniform temperature exactly.     Falls back to uniform VEC_TEMP when types are unavailable or < 4 types.++    axis (node 14): "weight" (node 13, rank by median weight) or "abundance"+    (rank by type cell count ascending -- rarest types get the lowest T).     """     if t_lo == t_hi:         return np.power(w, t_lo) if t_lo != 1.0 else w@@ -209,13 +227,78 @@ def apply_temperature(w: np.ndarray, ct: np.ndarray | None, temp: float,         return np.power(w, temp) if temp != 1.0 else w     tw = np.empty(nt, dtype=np.float64)     for t in range(nt):-        tw[t] = np.median(w[codes == t])+        if axis == "abundance":+            tw[t] = np.count_nonzero(codes == t)+        else:+            tw[t] = np.median(w[codes == t])     ranks = np.empty(nt, dtype=np.int64)     ranks[np.argsort(tw, kind="stable")] = np.arange(nt)     tc = t_lo + (t_hi - t_lo) * (ranks / max(nt - 1, 1))     return np.power(w, tc[codes])  +def sparse_col_median(Xcsc) -> np.ndarray:+    """Per-column median of a sparse matrix, zeros counted implicitly.++    Only columns with enough nonzeros (nnz >= n//2 + 1) can have a nonzero+    median; the rest stay 0. Lower median for even n (deterministic).+    """+    n = Xcsc.shape[0]+    out = np.zeros(Xcsc.shape[1], dtype=np.float64)+    lo = (n - 1) // 2+    nnz = np.diff(Xcsc.indptr)+    for j in np.flatnonzero(nnz >= n // 2 + 1):+        s, e = Xcsc.indptr[j], Xcsc.indptr[j + 1]+        zeros = n - nnz[j]+        data = np.sort(Xcsc.data[s:e])+        k = lo - zeros+        if n % 2 == 1:+            out[j] = data[k]+        else:+            hi = data[k + 1] if k + 1 < nnz[j] else 0.0+            out[j] = 0.5 * (data[k] + hi)+    return out+++def centrality_weights(X, codes: np.ndarray, n_types: int, delta: float,+                       min_cells: int = 5) -> np.ndarray:+    """Within-type centrality factor c_i (node 14).++    Per type c: mu_c = per-gene median of the type's cells (sparse-aware);+    sim_i = Pearson correlation between cell i's log1p profile and mu_c over+    all panel genes, clipped to [0.05, 1]; c_i = (sim_i / mean_type(sim))**delta.+    Types with < min_cells cells keep c_i = 1. delta = 0 recovers node 13.+    Fully deterministic (no RNG).+    """+    n = X.shape[0]+    c = np.ones(n, dtype=np.float64)+    if delta == 0.0:+        return c+    Xcsr = X.tocsr() if sp.issparse(X) else sp.csr_matrix(X)+    ng = X.shape[1]+    for t in range(n_types):+        idx = np.flatnonzero(codes == t)+        if idx.size < min_cells:+            continue+        Xt = Xcsr[idx]+        mu = sparse_col_median(Xt.tocsc())+        mm = float(mu.mean())+        varm = float((mu - mm) @ (mu - mm))+        if not np.isfinite(varm) or varm <= 1e-12:+            continue+        dots = np.asarray(Xt @ mu, dtype=np.float64).ravel()+        sums = np.asarray(Xt.sum(axis=1), dtype=np.float64).ravel()+        sq = np.asarray(Xt.multiply(Xt).sum(axis=1), dtype=np.float64).ravel()+        xm = sums / ng+        cov = dots - ng * xm * mm+        varx = sq - ng * xm * xm+        sim = cov / np.sqrt(np.maximum(varx, 1e-12) * varm)+        sim = np.clip(np.nan_to_num(sim, nan=0.05), 0.05, 1.0)+        rel = sim / max(float(sim.mean()), 1e-6)+        c[idx] = np.power(np.clip(rel, 0.05, 20.0), delta)+    return c++ def stratified_floor_sample(w: np.ndarray, ct: np.ndarray | None, n_out: int,                             rng: np.random.Generator, k: int,                             mode: str = "top",@@ -347,10 +430,21 @@ def main() -> None:             ct = np.asarray(adata.obs[col])             break +    cent = float(os.environ.get("VEC_CENT", "0.0"))+    t_axis = os.environ.get("VEC_TAXIS", "weight")+     scores = cell_cycle_scores(adata, genes)     ap = apoptosis_scores(adata, genes) if gamma != 0.0 else None     w = type_weights(adata, scores, alpha, dt, beta=beta, ap=ap, gamma=gamma)-    w = apply_temperature(w, ct, temp, t_lo, t_hi)++    # Node 14: within-type centrality factor (composition only). Skipped on+    # the identity path (n_out >= pool, X3) so its output stays byte-identical.+    if cent != 0.0 and ct is not None and n_out < adata.n_obs:+        types_c, codes_c = np.unique(ct, return_inverse=True)+        c_i = centrality_weights(adata.X, codes_c, len(types_c), cent)+        w = np.clip(w * c_i, 0.01, 100.0)++    w = apply_temperature(w, ct, temp, t_lo, t_hi, axis=t_axis)      k_low = int(os.environ.get("VEC_KLOW", "0"))     q_low = float(os.environ.get("VEC_QLOW", "0.25"))

调研来源?调研员查到并用到的知识条目和文献检索结果（只列标题和编号）。

用到的知识库条目

分析结果?分析员写的 ANALYSIS.json：改了什么、各组分数怎么变、假设是否成立、经验和下一步建议。

对话摘要?每个角色和大模型对话的统计：轮数、工具调用、用时、token 数和最后的回答摘录；原始记录只给路径。

只给统计和最后回答的摘录；完整对话请到原始记录位置里列出的文件看。

分析员

ANALYSIS.json written

工程师

**做了什么**：按 PLAN 在节点 13 上实现类型内中心性偏置抽样（到类型中位表达的 Pearson 相关加权，VEC_CENT），并顺带探针父节点建议的温度丰度排名轴（VEC_TAXIS=abundance）。

**查分结果**（proxy A 半，共用 8/20 次）：中心性 delta=0.2/0.3/0.5/-0.2 → 55.44/55.58/55.57/55.61，delta=0.5 seed1 → 55.09，全部低于基底 56.01/55.48，de_score 平台未破且两方向都伤 covariation——机制证伪。丰度轴 s0=56.02（cov +1.3 但 de 掉档）、s1=55.34，不满足双 seed 标准，不采纳。最终提交默认配置 = 节点 13 逐字节复现（sha256 验证），proxy2 输出与 proxy 逐字节一致，X3 恒等路径不变，三视图 vec-check 全过，确定性复跑验证通过。

**下一步最值得试**：组成-权重家族已系统收敛，建议换家族——构造少量类型间过渡态细胞（插值）或按通用分化知识做轻度基因模块演化，直接对准 de_recovery；次选：权重排名与丰度排名的凸组合温度轴（ρ 搜索），可能保住 de 档同时吃到 covariation 增益（探针 ≤2 次）。

调研员

```json
{
  "name": "类型内中心性偏置抽样：按到类型中位表达的距离加权，锐化DE信号",
  "motivation": "de_recovery 是全树最弱分组（51.33），从节点 6 到 13 几乎未动（50.32→51.33），且 de_score 在 0.0727/0.0545 两档间跳动。Analyst 确认温度/保底家族已收敛，但从未尝试过按类型内表达典型性（到类型中心距离）选择细胞。机制假设：当前 E-S 抽样对类型内细胞无偏好，抽到边缘细胞会模糊类型间 DE 对比；偏向中心细胞可锐化类型均值差异，提升 DE 基因召回。cell_state（55.21）也可能因更典型细胞而小幅受益。",
  "approach": "在节点 13 的 run.py 基础上，在最终权重 w_i = w_c * m_i * a_i 之后、温度与 E-S 抽样之前，乘入一个类型内中心性因子 c_i：\n\n1. 对每个类型 c，用该类型所有细胞的表达矩阵（稀疏矩阵直接操作）计算逐基因中位数向量 mu_c（用 scipy.sparse 按类型切片取 median，避免密集化全矩阵）。\n2. 对类型 c 内每个细胞 i，计算与 mu_c 的 Spearman 相关或负 L2 距离（优先用 Pearson 相关，对稀疏数据更稳健：先对 X 行做 log1p 再算相关）。sim_i = corr(x_i, mu_c)，clip 到 [0.05, 1]。\n3. 中心性权重 c_i = (sim_i / sim_type_mean) ** delta，delta 为新参数（VEC_CENT），默认 0.3。delta=0 时 c_i 恒为 1，精确退化为节点 13。\n4. 最终权重 w_i = w_c * m_i * a_i * c_i，clip [0.01, 100]，后续温度、E-S 抽样、k=1 保底均不变。\n5. 若某类型细胞数 < 5，该类型跳过中心性计算（c_i=1）。\n6. X3 路径（n_out >= n_obs）不变，恒等输出。\n7. proxy2 路径不变（include_external=False，只用官方 E8.5）。\n\n参数搜索（共用 ≤8 次查分）：\n- 第一轮 seed 0 单查：delta ∈ {0.2, 0.3, 0.5}，同时记录 de_score 和 covariation。\n- 若最佳配置 de_score ≥ 0.0727 且总分 > 56.0：用 seed 1 复核（1 次）。\n- 若 covariation 掉 > 1.5：降低 delta 到 0.15 再查一次。\n- 若所有 delta 的 de_score 均为 0.0545 或总分 ≤ 55.5：放弃，回退节点 13 代码。\n- 剩余配额用于最佳配置的双 seed 确认。\n\nvec-score 快速筛选：每个配置只跑 proxy A 半 seed 0，比较总分和 de_score 两列。",
  "expected_groups": ["de_recovery", "cell_state"],
  "risks": "1. 中心性偏置减少类型内多样性，可能伤 covariation（当前 53.07）；Engineer 应在第一次查分时就检查 covariation 子分，掉 >1.5 则降 delta 或放弃。2. de_score 平台可能是结构性的（Analyst 已警告），中心性偏置可能仍无法突破 0.0727；若 seed 0 仍为 0.0545 或 0.0727 不变，一次验证后止损。3. 类型中位数计算在稀疏矩阵上需注意效率；用 scipy.sparse 按类型索引切片后 .mean(axis=0) 即可，不需要密集化，预计增加 <0.5s。4. 增益可能 <2 分噪声；必须双 seed 一致正向才可采纳。"
}
```

审查员

REVIEW.json written