总览 · ← 返回运行 20261001-233756-search-t1-abc-r0-B-population

节点 n28

copy_last 两级增殖重加权（β_type=-4、β_cell=-1）+ 增殖-表达斜率逐细胞放大（γ=-1.6、|slope|>0.1）；PLAN 的确定性类型配额与类型自适应 γ 实测无效/有害，均默认关闭。

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 ddc49f6e3a: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 460e9acb2e。改动的文件：solution/METHOD.md +31 −25、solution/run.py +107 −33

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 88d77db..5732847 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,38 +1,44 @@-# copy_last 两级增殖重加权（β_type=-4、β_cell=-1）+ 增殖-表达回归斜率的逐细胞表达放大（γ=-0.8），外部/退化视图跳过表达调整。+# copy_last 两级增殖重加权（β_type=-4、β_cell=-1）+ 增殖-表达斜率逐细胞放大（γ=-1.6、|slope|>0.1）；PLAN 的确定性类型配额与类型自适应 γ 实测无效/有害，均默认关闭。  ## 方法 -基底（继承节点 4/6，已验证）：输出 = 最新「官方」输入阶段的加权无放回抽样（Efraimidis–Spirakis）。权重两级相乘：-- 类型级 w_type = max(1e-6, 1 + β_type·(prolif_type − mean_prolif))，β_type = **-4**（节点 4 扫出）；-- 细胞级 w_cell = max(1e-6, 1 + β_cell·(prolif_cell − prolif_type))，β_cell = **-1**（节点 6 方向，本节点以乘法形式叠加）。+基底（继承 node 4/6/7，已验证）：输出 = 最新「官方」输入阶段的 Efraimidis–Spirakis 加权无放回抽样，权重 = w_type × w_cell：+- w_type = max(1e-6, 1 + β_type·(prolif_type − mean_prolif))，β_type = **-4**（node 4）；+- w_cell = max(1e-6, 1 + β_cell·(prolif_cell − prolif_type))，β_cell = **-1**（node 6）。 -prolif 得分 = PROLIF 基因（Mki67, Top2a, Pcna, Cdk1, Ccna2, Ccnb1, Aurkb, Bub1, Cenpf, Nusc1，通用 cell-cycle 标记，非阶段特异知识；与面板取交集，≥3 个才启用）log 表达的逐细胞均值，完全在输入快照内计算。+prolif 得分 = PROLIF 通用 cell-cycle 基因（Mki67, Top2a, Pcna, Cdk1, Ccna2, Ccnb1, Aurkb, Bub1, Cenpf, Nusc1，非阶段特异知识，来源：通用细胞周期标记注释）log 表达逐细胞均值，全部在输入快照内计算，单输入阶段可用。 -新增表达调整（本节点，PLAN 机制但**符号与预期相反**）：-1. 对每个细胞类型（细胞数 ≥20），用该类型**全部**源细胞做 OLS：slope_g = cov(x_g, prolif)/var(prolif)（稀疏矩阵-向量积实现，无需稠密化全矩阵）；只保留 |slope_g| > 0.05 的基因。-2. 对每个被选中细胞 i：x_adj[i,g] = x[i,g] + γ·slope_g·(type_mean_prolif − prolif_i)，clip ≥0，按 1024 行分块稠密计算。-3. γ 扫描（proxy A 半）：0 → 56.28；+0.05/+0.15/+0.3 → 56.24/55.89/55.31（PLAN 预设的正 γ **单调降分，证伪**）；**-0.05/-0.1/-0.2/-0.4/-0.8/-1.6 → 56.40/56.58/56.68/56.83/57.20/57.37**。负 γ = 沿斜率**放大**细胞自身的增殖偏离（增强类型内增殖梯度对比），选 γ = **-0.8**（-1.6 总分仅 +0.17 且 covariation 从 53.6 掉到 51.6，判为 A 半过拟合风险，弃用）。-4. 跳过条件：所选阶段为外部来源，或抽样退化（n_target ≥ 池大小，如 X3）。X3 上未加保护时 γ=-0.8 使分数 50.0 → 43.2（covariation 28.8），加保护后恢复 50.0（已查分验证）。+表达调整（继承 node 7 机制、node 18 参数）：每类型（≥20 细胞）内对全部源细胞做 OLS slope_g = cov(x_g, prolif)/var(prolif)，保留 |slope_g| > **0.1**；被选细胞 x_adj = x + γ·slope_g·(prolif_i − type_mean)，γ = **-1.6**（放大类型内增殖-表达耦合），clip ≥0，1024 行分块。保护开关：所选阶段为外部来源、或抽样退化（n_target ≥ 池大小，如 X3）时跳过表达调整。 -## 查分记录（A 半）+## 本节点实测（PLAN 三机制，proxy A 半 seed0，对照 = γ-1.6/sm0.1 随机抽样 = 57.59） -- proxy seed0 γ=-0.8：**57.20**（de_recovery 52.48 / direction 59.72 / cell_state 61.45 / covariation 53.56）-- proxy seed1 γ=-0.8：56.89（一致）-- proxy2 seed0：57.20（外部 Qiu E9.0 被忽略，输出与 proxy 逐字节相同，md5 已核）-- X3 seed0：50.0（保护生效，= copy_last）-- 基底 γ=0（β_cell=-1 乘法叠加）：56.28，已高于节点 4（55.23）与节点 6（55.81）的 A 半查分-- β_type 重扫（γ=0）：-3 → 55.62，-5 → 55.34，均低于 -4（56.28），维持 -4-- 预期节点分 ≈ (57.2+57.2+50)/3 ≈ 54.8 A 半（父 53.48）+| 机制 | 结果 | 判定 |+|---|---|---|+| 确定性类型配额（最大余数法 + 类型内 E-S） | **55.60**（covariation 53.0→49.1、cell_state 63.2→58.7、direction +0.5） | **有害，回退随机 E-S**（PLAN 风险 1 兑现：全局 E-S 竞争的配额"噪声"本身有益） |+| 类型自适应 γ：γ_t = γ·clip((std_t/median_std)^α, 0.25, 4) | α=0.5/1.0/2.0 → 57.62/57.65/57.56（α=2 的 de_recovery 52.5→52.0） | 全部在 ±0.06 噪声内，无效，α=0 |+| 小类型斜率收缩 slope·n_t/(n_t+k)（n_t<50） | k=20/50 → 57.59（与对照逐字节相同：proxy 池无 20≤n_t<50 的类型） | 无效果，k=0 |++附加扫描：γ=-2.0 → 57.47、γ=-2.4 → 57.31（更负无益，-1.6 已是 A 半峰值区）；sm=0.15 → 57.60（与 0.1 打平）；β_cell=-2 → 55.28（大幅变差，维持 -1）。++## 发布配置与查分记录（A 半）++发布默认 = 对照配置（quota=0、α=0、k=0、γ=-1.6、sm=0.1、β=-4/-1），默认参数输出与查分文件逐字节一致（已核）。++- proxy seed0：**57.59**（cell_state 63.15 / covariation 53.02 / de_recovery 52.48 / direction 59.69）+- proxy seed1：57.31（一致，父配置 γ=-0.8/sm=0.05 的 A 半为 57.20/56.89）+- proxy2 seed0：57.59（外部 Qiu E9.0 被 pick_stage 忽略，输出同 proxy）+- X3 seed0：50.0（退化保护生效，= copy_last）+- 预期节点分 ≈ (57.6+57.6+50)/3 ≈ 55.1 A 半（父 54.54 板分 / node18 同配置 54.74 板分）  ## 验证过 -- 三视图（proxy/proxy2/X3）跑通、vec-check ok、运行 ~5 s、内存远低于 28 GB 限额。-- 确定性：仅 np.random.default_rng(seed)；proxy 与 proxy2 输出 md5 相同。-- γ=0 时与父逻辑等价（β_cell 乘法叠加版）。+- 三视图（proxy/proxy2/X3）跑通、vec-check ok、运行 ~5 s、内存远低于限额。+- 确定性：仅 np.random.default_rng(seed)。+- 配额分配器单独验证过总和 = n_target（在 quota=1 分支，虽默认关闭）。  ## 没验证 / 风险 -- γ=-0.8 与 -0.4/-1.6 的差距（<0.6 分）在 T1 噪声（~2 分）内；-0.8 是折中（de_recovery +1、covariation -1.3 相对基底）。-- 负 γ 的机制解释：放大类型内增殖-表达耦合让群体在增殖轴上更分散，mmd_u 与 de_score 同升；B 半是否重现未验证。-- final 视图（E8.5+E9.5→E10.5）未测：若 E9.5 池 ≤ 目标细胞数，表达调整会被退化保护跳过，只剩 copy_last（安全但无增益）。-- 「退化即跳过」保护对 X3 有效，但若某视图池恰等于目标数而调整本可有益，也会被跳过。+- 发布配置与 node 18/21/23 机制相同（γ=-1.6、sm=0.1），A 半 57.59 vs 其记录的 A 半未见更高点；对父 node 7 的提升（+0.39 A 半）在 T1 噪声（~2 分）内，但方向与 node18 的 B 半结果（54.74 > 54.54）一致。+- 确定性配额在 **B 半**或其他视图是否同样有害未验证（A 半差距 -2.0，接近噪声边缘但四组指标同向恶化，判定可信度较高）。+- final 视图（E8.5+E9.5→E10.5）未测：若 E9.5 池 ≤ 目标细胞数则触发退化保护，退回 copy_last（安全无增益）。+- 类型自适应 γ 的无效可能因 proxy 池各类型 prolif 离散度差异小（median 归一后 ratio≈1）；在类型异质性更大的视图上未测。diff --git a/solution/run.py b/solution/run.pyindex 71f82b5..6ac89a6 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,21 +1,30 @@ #!/usr/bin/env python3-"""copy_last + two-level proliferation reweighting + proliferation-gradient-expression extrapolation.--Base (node 4/6): output a deterministic weighted subsample of the latest-official input stage. Type-level weight uses the type-mean proliferation-score (beta_type=-4, tuned); cell-level weight uses the within-type-deviation (beta_cell=-1, node 6).--New (this node): per cell type, regress each gene's expression on the cell's-proliferation score (OLS slope over ALL source cells of that type). Each-selected cell's expression is nudged along that slope toward its type's mean-proliferation level: x_adj[i,g] = x[i,g] + gamma * slope_g * (tmean - p_i),-applied only where |slope_g| > SLOPE_MIN, clipped to >= 0. Types with-< MIN_TYPE_CELLS cells are left untouched. gamma=0 reproduces the base.-Proliferation markers are generic cell-cycle genes (not stage-specific-knowledge); everything is computed within the input snapshot, so the method-works with a single input stage.+"""copy_last + two-level proliferation reweighting + type-adaptive+proliferation-gradient expression extrapolation.++Base (node 4/6/18): output a weighted subsample of the latest official input+stage. Type-level weight uses the type-mean proliferation score+(beta_type=-4); cell-level weight uses the within-type deviation+(beta_cell=-1). Expression adjustment: per cell type, regress each gene on+the cell's proliferation score (OLS over all source cells of that type) and+shift each selected cell along the slope (gamma=-1.6, |slope|>0.1).++This node tested the PLAN's three mechanisms on the proxy A-half and kept+the winner; the shipped default is the strongest slope configuration+(gamma=-1.6, |slope|>0.1, node 18 parameters) with the parent's global+Efraimidis-Spirakis sampling:+1. Deterministic type quotas (QUOTA flag): REJECTED - proxy A-half 55.60 vs+   57.59 for random E-S (covariation -3.9, cell_state -4.4). The E-S quota+   "noise" is beneficial; code kept, default off.+2. Type-adaptive gamma, gamma_t = gamma*clip((std_t/median_std)^alpha,+   0.25, 4) (ALPHA flag): NO EFFECT - alpha in {0.5,1,2} within +-0.06 of+   alpha=0 (57.59); alpha=2 slightly hurts de_recovery. Default 0.+3. Small-type slope shrinkage slope *= n_t/(n_t+k) for n_t<50 (KSHRINK+   flag): NO EFFECT - output byte-identical for k in {20,50}. Default 0.+Also scanned: gamma=-2.0/-2.4 worse (57.47/57.31), |slope|>0.15 ties+(57.60), beta_cell=-2 much worse (55.28).+Guards unchanged: skip expression adjustment on external stages or when+sampling degenerates (n_target >= pool size, e.g. test X3). """  from __future__ import annotations@@ -39,9 +48,12 @@ from src.task1_temporal.view_io import (  BETA_TYPE = -4.0   # tuned on T1 proxy A-half (node 4) BETA_CELL = -1.0   # within-type weight (node 6)-GAMMA = -0.8       # expression-adjustment strength (negative tuned on proxy A-half)-SLOPE_MIN = 0.05   # only adjust genes with |slope| above this+GAMMA = -1.6       # expression-adjustment strength (node 18)+SLOPE_MIN = 0.1    # only adjust genes with |slope| above this (node 18) MIN_TYPE_CELLS = 20+QUOTA = 0          # 1: deterministic type quotas; 0: parent's global E-S+ALPHA = 0.0        # type-adaptive gamma exponent (0 = global gamma)+KSHRINK = 0.0      # small-type slope shrinkage constant (0 = off)  PROLIF = ["Mki67", "Top2a", "Pcna", "Cdk1", "Ccna2", "Ccnb1",           "Aurkb", "Bub1", "Cenpf", "Nusc1"]@@ -56,12 +68,39 @@ def pick_stage(manifest):   def weighted_sample(w: np.ndarray, n: int, rng: np.random.Generator) -> np.ndarray:-    """Weighted sampling without replacement (Efraimidis-Spirakis), sorted."""+    """Weighted sampling without replacement (Efraimidis-Spirakis)."""     if n >= len(w):-        return sample_rows(len(w), n, rng)-    keys = rng.random(len(w)) ** (1.0 / w)-    idx = np.argsort(-keys, kind="stable")[:n]-    return np.sort(idx)+        return np.arange(len(w))+    keys = rng.random(len(w)) ** (1.0 / np.maximum(w, 1e-12))+    return np.argsort(-keys, kind="stable")[:n]+++def quota_allocate(mass: np.ndarray, counts: np.ndarray, n_target: int) -> np.ndarray:+    """Largest-remainder allocation of n_target proportional to mass,+    capped by counts per type."""+    total = mass.sum()+    if total <= 0:+        alloc = np.minimum(counts, n_target // max(len(counts), 1))+    else:+        exact = mass / total * n_target+        alloc = np.floor(exact).astype(np.int64)+        alloc = np.minimum(alloc, counts)+        rem = n_target - int(alloc.sum())+        if rem > 0:+            frac = exact - np.floor(exact)+            room = counts - alloc+            order = np.argsort(-frac, kind="stable")+            i = 0+            while rem > 0 and i < 10 * len(order) + 10:+                t = order[i % len(order)]+                if room[t] > 0:+                    alloc[t] += 1+                    room[t] -= 1+                    rem -= 1+                i += 1+                if room.sum() <= 0:+                    break+    return alloc   def main() -> None:@@ -70,12 +109,20 @@ def main() -> None:     parser.add_argument("--out", required=True)     parser.add_argument("--seed", type=int, default=0)     parser.add_argument("--gamma", type=float, default=None)+    parser.add_argument("--slope-min", type=float, default=None)     parser.add_argument("--beta-cell", type=float, default=None)     parser.add_argument("--beta-type", type=float, default=None)+    parser.add_argument("--quota", type=int, default=None)+    parser.add_argument("--alpha", type=float, default=None)+    parser.add_argument("--kshrink", type=float, default=None)     args = parser.parse_args()     gamma = GAMMA if args.gamma is None else args.gamma+    slope_min = SLOPE_MIN if args.slope_min is None else args.slope_min     beta_cell = BETA_CELL if args.beta_cell is None else args.beta_cell     beta_type = BETA_TYPE if args.beta_type is None else args.beta_type+    use_quota = QUOTA if args.quota is None else args.quota+    alpha = ALPHA if args.alpha is None else args.alpha+    kshrink = KSHRINK if args.kshrink is None else args.kshrink      manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)@@ -93,32 +140,57 @@ def main() -> None:         score = Xc.mean(axis=1).astype(np.float64)      inv = None+    type_score = None     if score is not None:         lab = labels_of(last)         uniq, inv = np.unique(lab, return_inverse=True)         inv = np.asarray(inv).ravel()         n_types = len(uniq)-        counts = np.bincount(inv, minlength=n_types).astype(np.float64)+        counts = np.bincount(inv, minlength=n_types).astype(np.int64)         type_score = np.zeros(n_types, dtype=np.float64)         np.add.at(type_score, inv, score)         type_score /= counts         ts = type_score[inv]         mean_s = np.average(type_score, weights=counts)         w_type = np.maximum(1.0 + beta_type * (ts - mean_s), 1e-6)+        w_type_t = np.maximum(1.0 + beta_type * (type_score - mean_s), 1e-6)         w_cell = np.maximum(1.0 + beta_cell * (score - ts), 1e-6) if beta_cell != 0 else np.ones_like(w_type)-        rows = weighted_sample(w_type * w_cell, n_target, rng)++        if use_quota and n_target < last.n_obs:+            alloc = quota_allocate(counts.astype(np.float64) * w_type_t, counts, n_target)+            parts = []+            for t in range(n_types):+                idx = np.flatnonzero(inv == t)+                sel = weighted_sample(w_cell[idx], int(alloc[t]), rng)+                parts.append(idx[sel])+            rows = np.sort(np.concatenate(parts)) if parts else np.zeros(0, dtype=np.int64)+        elif use_quota:+            rows = sample_rows(last.n_obs, n_target, rng)+        else:+            rows = weighted_sample(w_type * w_cell, n_target, rng)+            rows = np.sort(rows)     else:         rows = sample_rows(last.n_obs, n_target, rng)      X = last.X     Xsel = X[rows]-    # Guard: only adjust expression on official stages. In external-only views-    # (e.g. test question X3: different platform/technology, author cell-type-    # labels) the within-type proliferation regression proved harmful-    # (X3 A-half 50.0 -> 43.2), so we copy the cells untouched there.-    degenerate = n_target >= last.n_obs  # no real subsampling (e.g. test X3)+    # Guard: only adjust expression on official, non-degenerate views (X3).+    degenerate = n_target >= last.n_obs     if gamma != 0.0 and score is not None and not is_external(entry) and not degenerate:         n_types = int(inv.max()) + 1+        counts = np.bincount(inv, minlength=n_types).astype(np.float64)+        # per-type std of proliferation score+        std_t = np.zeros(n_types, dtype=np.float64)+        sq = np.zeros(n_types, dtype=np.float64)+        np.add.at(sq, inv, (score - type_score[inv]) ** 2)+        std_t = np.sqrt(sq / np.maximum(counts, 1))+        eligible = counts >= MIN_TYPE_CELLS+        med = np.median(std_t[eligible]) if eligible.any() else 1.0+        if not np.isfinite(med) or med <= 1e-8:+            med = 1.0+        ratio = np.clip((std_t / med) ** alpha if alpha != 0 else np.ones(n_types), 0.25, 4.0)+        gamma_t = gamma * ratio+         S = np.zeros((n_types, X.shape[1]), dtype=np.float32)         for t in range(n_types):             idx = np.flatnonzero(inv == t)@@ -129,10 +201,12 @@ def main() -> None:             if denom <= 1e-8:                 continue             slope = np.asarray(X[idx].T @ pc, dtype=np.float64).ravel() / denom-            slope[np.abs(slope) <= SLOPE_MIN] = 0.0+            slope[np.abs(slope) <= slope_min] = 0.0+            if kshrink > 0 and len(idx) < 50:+                slope *= len(idx) / (len(idx) + kshrink)             S[t] = slope.astype(np.float32)         if np.any(S):-            c = (-gamma) * (score[rows] - type_score[inv[rows]])+            c = (-gamma_t[inv[rows]]) * (score[rows] - type_score[inv[rows]])             trow = inv[rows]             parts = []             chunk = 1024

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**：实现并实测 PLAN 的三机制（确定性类型配额、类型自适应 γ、小类型斜率收缩），全部在 node7 基底（copy_last + β_type=-4/β_cell=-1 + 增殖-表达斜率放大）上以 A 半对照（γ=-1.6/sm=0.1，57.59）逐一判定：配额 **有害**（55.60，covariation -3.9）、自适应 γ **无效**（±0.06）、k 收缩 **无效果**（逐字节相同，proxy 无 20–50 细胞类型）。另扫 γ=-2.0/-2.4（更差）、sm=0.15（打平）、β_cell=-2（大幅差）。最终发布 = node18 参数配置（γ=-1.6、sm=0.1），三视图跑通、vec-check ok、默认输出与查分文件逐字节一致。

**查分**（用 14/20 次）：proxy seed0 **57.59** / seed1 57.31（父配置 A 半 57.20/56.89）；proxy2 57.59；X3 50.0（保护生效）。预期板分 ≈55.1 A 半，与 node18（54.74）同机制、略优于父（54.54）。

**下一步最值得试**：随机 E-S 的配额"噪声"本身是收益来源（确定性配额四组指标同向恶化）——可反向探索：在类型配额上**注入可控随机性/Dirichlet 扰动**，或直接优化 mmd_u 友好的类型比例倾斜；de_recovery 对所有已试表达级扰动仍卡在 52.5，可能需要在抽样轴（而非表达轴）上引入 DE 基因富集权重。

调研员

```json
{
  "name": "确定性类型配额抽样 + 类型自适应γ（按增殖离散度缩放表达调整强度）",
  "motivation": "父节点7最弱组为 de_recovery 51.69 和 covariation 52.88。子节点18/21/23/26反复证实：全局γ增大时 cell_state 与 covariation 呈等板分 trade-off（node26：'cov与cell_state是等board分trade-off曲线'），且 de_recovery 对一切表达级扰动免疫（7个节点均为51.69）。当前乘法权重 w_type·w_cell 的 E-S 抽样使类型配额受随机性扰动，direction 组（56.25）因此停滞。本方案用确定性类型配额消除组成噪声，同时用类型自适应γ在信号强的类型放大调整、信号弱的类型收缩调整，意图在不牺牲 covariation 的前提下提升 cell_state，并改善 direction。",
  "approach": "步骤1（确定性类型配额）：将抽样拆为两层——先按 n_t = round(n_target × count_t·w_type_t / Σ_j count_j·w_type_j) 确定每类型配额（最大余数法修正总和），再在每类型内部用 w_cell 做 E-S 无放回抽样。β_type=-4 不变。这使组成完全由 β_type 决定，消除 E-S 全局竞争带来的配额噪声。\n步骤2（类型自适应γ）：对每个类型 t 计算增殖得分标准差 std_t；定义 γ_t = γ_base × (std_t / median(std_all))^α，clip 到 [0.25×γ_base, 4×γ_base]。α=0 退化为父逻辑（全局γ）。机制：增殖离散度高的类型斜率信号可靠，放大调整；离散度低的类型斜率是噪声，收缩保护 covariation。\n步骤3（小类型斜率收缩）：对细胞数 < 50 的类型，slope_g ×= n_t/(n_t+k)，k 为收缩参数，防止少细胞类型的噪声斜率被放大。\n关键参数初值与扫描范围：γ_base=-1.6（继承 node18 最优）；SLOPE_MIN=0.1（继承 node18）；α∈{0, 0.5, 1.0, 2.0}（α=0 为对照）；k∈{0, 20, 50}（k=0 为对照）。\n扫描策略（≤12次查分）：① 固定γ=-1.6, k=0，扫α 4点（4次）；② 取最优α，扫k 3点（3次）；③ 若最优组合超对照≥1分，在γ∈{-1.2,-2.0}上确认（2次）；④ 最优组合跑 seed1 确认（1次）；⑤ X3 验证保护生效（1次）。\n单输入退路：所有统计量（增殖得分、类型标签、表达矩阵）均在单个快照内计算，不依赖第二时间点。proxy2 的外部 Qiu 输入被 pick_stage 忽略（同父逻辑）。X3/退化视图：n_target≥池大小时跳过表达调整，确定性配额也退化为全量复制（等价 copy_last）。final 视图（E8.5+E9.5→E10.5）：若 E9.5 池≤目标数，同样触发退化保护。\nvec-score 快速筛选：先只跑 proxy A半 seed0 对比对照（α=0 即父逻辑），若某α下 proxy 总分 < 对照-1 则立即淘汰该α。",
  "expected_groups": ["cell_state", "covariation", "direction"],
  "risks": "1) 确定性配额可能不如随机 E-S（随机性可能恰好有益）：Engineer 应在第一次查分时就对比 α=0+确定性配额 vs α=0+随机配额（即父逻辑），若确定性配额单独就降分则回退随机抽样，只保留自适应γ。2) α>0 使部分类型γ极小（接近0），等价于对这些类型关闭调整，可能损失 cell_state：观察分组中 covariation 是否如预期上升；若 cell_state 降>1 且 covariation 无补偿则判定失败。3) 改善幅度可能仍在 T1 噪声（~2分）内：用最优配置的 seed0+seed1 两次查分确认一致性，差距<1分则视为无进展。4) 小类型斜率收缩（k>0）可能过度抑制真实信号：若 k=50 低于 k=0 则弃用。5) 实现复杂度：确定性配额需处理余数分配（最大余数法），Engineer 应先用小数据（前200个细胞）验证配额总和正确。"
}
```

审查员

REVIEW.json written