总览 · ← 返回运行 20261002-202908-search-t1-scr-B

节点 n12

ot_cfm 训练端正则化搜索：OT 配对目标加噪（熵正则）、steps=800、HVG=2000 全部阴性且单调变差，提交父节点等价默认（pair_sigma=0、steps=1500、dim60、α0.85），关闭对照逐比特一致。

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 3ea3209ebd: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 d853c47fa2。改动的文件：solution/METHOD.md +35 −52、solution/run.py +17 −2

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 549599e..f7c9f02 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,70 +1,53 @@-ot_cfm 潜空间容量与外推强度重调：PCA 25→60、α 0.65→0.85（X3 A 半 50.29→53.46）；PLAN 零掩码软化搜索后证实有害，默认关闭。+ot_cfm 训练端正则化搜索：OT 配对目标加噪（熵正则）、steps=800、HVG=2000 全部阴性且单调变差，提交父节点等价默认（pair_sigma=0、steps=1500、dim60、α0.85），关闭对照逐比特一致。  ## 方法族与实现 -`family_id = ot_cfm`，在父节点（node 6/7）同一管线上改动，管线其余部分逐比特不变：-whiten-PCA(dim) 潜空间 → minibatch 精确 OT（torchcfm `ExactOptimalTransportConditionalFlowMatcher`, sigma=0）配对 stage0→stage1 训练 MLP 速度场 v(z,t)（steps=1500, batch=64, lr=1e-3, HVG=2500）→ 自最后输入阶段阻尼 Euler 外推（t 钳到 1，α）→ PCA 逆变换 + 逐细胞残差解码 → 硬零掩码（只在输入非零位写值，clip≥0）。+`family_id = ot_cfm`，管线与父节点（node 9）逐比特相同：whiten-PCA(60) 潜空间 → minibatch 精确 OT（torchcfm `ExactOptimalTransportConditionalFlowMatcher`）配对 stage0→stage1 训练 MLP 速度场 v(z,t)（steps=1500, batch=64, lr=1e-3, HVG=2500）→ 自最后输入阶段阻尼 Euler 外推（α=0.85、t 钳 1）→ PCA 逆变换 + 逐细胞残差解码 → 硬零掩码。单输入阶段退化为 copy_last。 -本节点两条改动：+本节点代码改动（两处，均为参数化，默认值 = 父节点行为）： -1. **PLAN 机制（解码零掩码软化）**：新增 `--unmask-scale` / `--unmask-thresh`。对输入为零的 HVG 位置，若 PCA 重建值 `rec > thresh`，写入 `scale × max(0, rec)`，否则保持 0；非零位逻辑不变。哪些基因被激活、激活多少完全由该细胞位移后在 PCA 空间的位置决定（细胞特异、基因特异），不是常数位移、也不是组成重加权。-2. **潜空间容量 / 外推强度**（父节点 `next_suggestions` #3 明确建议的方向）：`--dim`、`--alpha`、`--n-hvg`、`--steps` 网格搜索，把解码环节的秩截断和外推幅度重调。+1. **`--pair-sigma`（PLAN 机制的真实实现）**：训练循环里对每个 minibatch 的 stage1 目标点加高斯噪声 `y1 = T1[i1] + pair_sigma * randn(generator=g)` 后再做精确 OT 配对，即熵正则化配对的近似。噪声用与采样同一个 seeded generator，确定。`pair_sigma=0` 不消耗额外随机数，输出与父节点**逐比特一致**（sha256 `52351017830352494d3729284326e77311470e09d6ca6bfb504c39e4240fe688`，改动前后各验证一次）。+2. **`--sigma`**：把父节点硬编码的 torchcfm `sigma=0.0` 参数化。读 torchcfm 源码发现该 σ 只是条件路径的 σ_min（ut = x1 − (1−σ)·x0，xt 相应微调），**不是** PLAN 假设的"配对时向目标点加高斯噪声"；实测 σ=0.01/0.05 时速度场统计几乎不变（|v| mean 3.019→3.026/3.016），是近似 no-op。PLAN 机制因此改由 `--pair-sigma` 实现。 -提交默认：`dim=60, alpha=0.85, steps=1500, n_hvg=2500, unmask_scale=0`（即 PLAN 机制**关闭**，理由见下）。+提交默认：`pair_sigma=0, sigma=0, steps=1500, dim=60, alpha=0.85, n_hvg=2500`——即 **PLAN 新增机制关闭**（阴性，见下），速度场机制本身打开。 -## 对照结果（X3 A 半，seed 0，共用 15 次查分，父节点 A 半基线 50.29）+## 对照结果（X3 A 半，seed 0，共用 5 次查分；父节点 A 半基线 53.46 / covariation 42.14）  | 配置 | board | cell_state | covariation | de_recovery | direction | |---|---|---|---|---|---|-| 父节点 dim25 α0.65（=`--unmask-scale 0 --dim 25 --alpha 0.65`） | 50.29 | 59.61 | 43.59 | 46.67 | 49.02 |-| **PLAN 机制 dim25 α0.65 + unmask scale0.5 thresh1.0**（激活 10.4% 零位，nnz/cell 1967→2115） | **44.75** | 53.30 | **27.85** | 43.80 | 48.97 |-| dim60 α0.65 | 52.53 | 63.86 | 44.42 | 48.62 | 49.33 |-| dim60 α0.50 | 51.25 | 59.53 | 45.72 | 47.75 | 49.23 |-| dim60 α0.78 | 53.32 | 67.03 | 43.01 | 49.07 | 49.36 |-| **dim60 α0.85（提交）** | **53.46** | **68.07** | 42.14 | **49.07** | **49.40** |-| dim60 α1.00 | 52.72 | 67.38 | 39.92 | 48.62 | 49.46 |-| dim60 α1.20 | 49.52 | 59.13 | 36.24 | 48.62 | 49.50 |-| dim40 / dim80 / dim100 / dim150 / dim250（α0.65） | 48.89 / 50.65 / 51.43 / 49.78 / 48.56 | 57.3 / 61.2 / 60.9 / 57.6 / 51.9 | 41.5 / 44.7 / 46.3 / 46.1 / 48.0 | – | – |-| dim100 α0.85 | 52.39 | 65.29 | 45.01 | 46.09 | 49.13 |-| dim80 α1.00 | 50.16 | 62.21 | 40.85 | 43.80 | 49.49 |-| dim60 α0.85 hvg4000 | 51.77 | 65.27 | 42.18 | 45.69 | 49.31 |-| dim60 α0.85 steps3000 | 50.13 | 62.73 | 40.50 | 43.80 | 49.04 |-| dim25 α0.65 `--no-whiten` | 48.23 | 51.23 | 46.53 | 45.30 | 48.93 |--结论：-- **PLAN 机制为阴性**。低阈值（0/0.05/0.1）无意义——白化 PCA 重建在零位的取值中位数就有 0.458（p90=1.01），thresh=0 会激活 51% 的零位、nnz/cell 从 1967 跳到 3249（PLAN 风险 1「无差别稠密化」成立）；把阈值提到 p90≈1.0 使激活比例回到 10.4%、nnz/cell 2115（落在 PLAN 期望的 2000–2200），covariation 仍从 43.6 崩到 27.9、cell_state 从 59.6 掉到 53.3。即「按重建值抬正零位」注入的是低秩平滑信号，破坏而不是恢复基因共变结构，故不再扫 3×3 格点，默认 `--unmask-scale 0`。-- **解码/潜空间容量是真正的杠杆**：dim 25→60 四个组分同时上升（board +2.2）；α 0.65→0.85 再 +0.9，主要来自 cell_state（59.6→68.1，全树最高）与 de_recovery。α 与 covariation 单调反向（α↑ → covariation↓），board 在 α≈0.78–0.85 出现平台（53.32/53.46，差 0.14 < 噪声），α≥1.0 起过冲变差，取平台内点 0.85。--## 机制生效证据（速度场机制打开，`--unmask-scale` 关闭）--- 速度场非退化：`velocity: mean pairwise cos 0.524`（<0.95），`|v| mean 1.90 std 0.52`（状态依赖，不是常向量）。-- 位移非恒定且随 α 缩放：dim60 α0.85 下 per-cell 位移 mean/std/max 随 α 单调变化，输出与 α=0（`--ablation zero_velocity`，退化为最后阶段抽样复制）逐比特不同。-- 解码确实改写表达：输出基因方差 mean 0.112 vs 输入 0.101，nnz/cell 1964 vs 输入 1974（掩码保持稀疏，未稠密化）。-- 四组分变化归因：cell_state +8.5、de_recovery +2.4、direction +0.4、covariation −1.4（相对父节点 A 半），即位移幅度增大主要改善细胞状态分布与 DE 幅度，代价是共变结构轻微下降。-- PLAN 机制（关闭）的证据在上表第 2 行：打开时 nnz/cell 1967→2115、每细胞激活数 mean 148/std 74/max 452（细胞间非均匀）、涉及 2194/2500 个 HVG 且每基因被激活细胞数 p50=29/p90=91/max=177（基因间非均匀）——机制确实按预期改变了稀疏模式，但评分变差。+| 父节点默认（=`--pair-sigma 0`，逐比特） | 53.46 | 68.07 | 42.14 | 49.07 | 49.40 |+| Q1 steps=800, sigma=0 | 51.62 | 61.29 | 43.89 | 48.18 | 49.65 |+| Q2 steps=1500, sigma=0.01（σ_min，no-op） | 53.26 | 67.53 | 41.96 | 49.07 | 49.37 |+| Q4 n-hvg=2000（PLAN 补充探索） | 51.24 | 63.45 | 40.40 | 47.32 | 49.18 |+| P5 **pair-sigma=0.10**（PLAN 机制真实实现） | 51.40 | 63.64 | 40.12 | 47.75 | 49.40 |+| P6 **pair-sigma=0.30** | 49.65 | 60.33 | 38.98 | 45.69 | 49.33 |++结论（对照基线 53.46）：+- **steps=800 欠拟合**（−1.84，cell_state 68.1→61.3），触发 PLAN 风险 2 的放弃条件（<52）；结合父节点 steps=3000 更差（50.13），steps≈1500 是窄峰，不再扫。+- **torchcfm σ_min 是 no-op**（53.26，噪声内），PLAN 的 sigma 搜索序列（0.01→0.05→0.10）在其原始参数上没有意义，按 PLAN 规则跳过剩余格点。+- **配对加噪（真实熵正则机制）单调有害**：0.10→−2.06，0.30→−3.81，且 covariation（本节点想修的最弱组分）不升反降（42.1→40.1→39.0）。方向明确，无需再测更小值（0.03 只会收敛回基线）。+- **n-hvg=2000 阴性**（−2.22），与父节点 hvg4000 阴性一致，2500 是局部最优。+- 所有 PLAN 方向均无正信号，按 PLAN 风险 4 如实提交父节点等价配置，报告阴性。++## 机制生效证据（pair-sigma 打开时确实改变了速度场，但方向与 PLAN 预期相反）++- 速度场统计（t=1 处 100 个探针细胞）：pair_sigma 0 / 0.10 / 0.30 → mean pairwise cos 0.365 / 0.332 / 0.266，|v| mean 3.019 / 3.096 / 3.592，|v| std 0.956 / 0.967 / 1.086。PLAN 预期 cos 略升、std 略降（更平滑）；实测 **|v| 与 std 反而增大**——目标加噪直接放大了条件向量 ut = y1 − x0 的方差，回归目标更噪，速度场不是更平滑而是更抖。+- 每细胞位移 ||Δz||（α 阻尼后）：mean 8.79 / 9.28 / 11.08，std 3.85 / 4.44 / 4.86，max 42.0 / 38.5 / 44.8。PLAN 预期 max 下降（极端位移减少）；实测 max 基本不动、mean/std 上升。+- 未触发 PLAN 风险 1 的退化停止条件（cos 始终 <0.90、|v| std >0.2），即速度场保持状态依赖（cos≈0.27–0.37，非常向量），机制真实生效但破坏了拟合质量，四组分中 cell_state、de_recovery、covariation 同时下降。+- steps=800 时 |v| mean 2.489（vs 1500 的 3.019）、位移 mean 6.34（vs 8.79），确为欠拟合而非平滑化。+- 速度场机制本体的 off 开关 `--ablation zero_velocity` 未重测（本节点未改动积分/解码路径，父节点已测 47.62 vs 50.29）。  ## mechanism_off_control -- PLAN 的 off 开关 = `--unmask-scale 0`：本次实测输出 sha256 `e813b37bab9c…`，与父节点 METHOD.md 记录的默认输出 sha256 完全一致，即 off 路径逐比特复现父节点，代码改动未污染原逻辑。-- 速度场机制的 off 开关 = `--ablation zero_velocity`（α←0，输出 = 最后阶段抽样复制），父节点已测 47.62 vs 打开 50.29；本节点未重复消耗查分（代码路径未改动）。-- 提交默认：速度场机制**打开**，PLAN 零掩码软化**关闭**（阴性，见上）。+- off = `--pair-sigma 0 --sigma 0 --steps 1500`（提交默认）：输出 sha256 `523510178303…` 与父节点 node 9 提交代码在 X3 视图 seed 0 的输出**逐比特一致**（改动后复验通过），确认新代码路径在关闭时零污染。+- on/off 差异见上表：打开（pair_sigma>0）在 X3 A 半上单调变差，故提交保持关闭，符合 PLAN 风险 4 的阴性处理约定。 -## 合规 / 确定性+## 验证与未验证 -- 输出只取决于视图数据（表达、`celltype` 未使用、阶段时间**差**）与 `--seed`：无视图路径/文件名/manifest 键序分支，无绝对发育时间分支（`t_end = 1 + (tT - t1)/(t1 - t0)` 只用时间差）；时间统一平移不改变任何计算。-- 确定性：`np.random.seed(seed)` + `torch.manual_seed` + `torch.use_deterministic_algorithms(True)` + 单线程；seed 0 默认配置两次运行 sha256 相同（`5235101783…`）。`--seed` 任意非负整数无分支。-- 单输入阶段（proxy 形态）走 `copy_last` 退路，不崩。-- 未使用 `external/`、`prior/`，未使用任何保留阶段（E10.5/E12.5、9.5<E≤13.5）或保留基因型信息，未读 `uns.celltype_palette`。知识来源：仅通用算法（PCA、OT-CFM 条件流匹配，Tong et al. 2023 / torchcfm 实现；HVG 方差选择），无生物学先验写入。-- 运行 ~22 s、内存 <2 GB（限额 30 min / 28 GB）；`vec-check` 通过（status ok）；`EXECUTION.json` 保持 `{"gpu": false}`。--## 验证过 / 未验证--- 已验证：X3 视图 15 次查分的 dim/α/hvg/steps/whiten/unmask 搜索、off 对照逐比特复现父节点、seed 0 复现、vec-check、unmask 打开路径可运行。-- 未验证：proxy / proxy2 / final 视图实跑（本节点只按 X3 打分；单输入退路与两输入路径代码与父节点相同）；α∈(0.85,1.0) 与 dim∈(60,80) 的更细格点（平台内，预期差异 <噪声）；unmask 与 dim60/α0.85 的组合（unmask 在 dim25 上已使 covariation 崩 15.7 分，而 dim60/α0.85 的 covariation 本就更低 42.1，组合预期更差，未消耗额度）；伪装视图重跑（代码无视图身份依赖，静态可判）。-- 风险：α/dim 是在 X3 A 半上选的超参，B 半与 3 seed 复跑可能回落；α 与 covariation 的单调权衡说明该配置偏向 cell_state，若 B 半 covariation 地板更严，提升会缩小。+- 已验证：X3 视图 seed 0 完整跑通（~40 s，CPU，峰值内存与父节点同级 ~1.9 GB）；`vec-check` 通过；`--pair-sigma 0` 逐比特复现父节点；新参数不读绝对时间/路径/视图名，噪声走 seeded generator，对 seed 确定、视图无关（伪装视图平移时间不影响任何分支）。+- 未验证：pair_sigma 与 alpha/steps 的交互（配对加噪后 α 重新调优或可部分挽回，但机制本体已 −2 到 −4 分且伤及目标组分 covariation，交互翻盘概率低，未花查分）；proxy/proxy2 视图未重跑（管线与父节点逐比特一致，父节点已在两视图跑通）。+- 生物学知识来源：本节点无新增生物学先验，全部改动是训练配置/正则化，`prior/`、`external/` 未使用。  ## 下一步建议 -1. covariation 是本配置唯一低于父节点的组分（42.1 vs 43.6，且 copy_last 有 48.4）。零掩码方向已证伪，建议改从**解码的低秩性**入手：把 Δrec 限制在前 k 个 PC 之外/之内分别加权，或用 gene-space OT 位移（moscot 系 covariation 52–54）与 ot_cfm 潜空间位移做**凸组合**，在 cell_state 68 与 covariation 48 之间取更优点。-2. α 与 dim 的联合平台已定位，不必再细扫；可试 steps 800（steps3000 变差提示速度场过拟合）与 sigma>0 的 OT 配对。-3. 位移滤波（k_active/γ/β/kNN）方向由 node 7 关闭，本节点结果不改变该结论。+- covariation（本族最弱组分，α0.85 时 42.1 vs copy_last ≈48.4）在训练端正则化方向已三连阴性（node 7 位移滤波、node 9 零掩码软化、本节点配对加噪+步数），建议转向父节点 next_suggestions #1：与 moscot 系基因空间位移做凸组合，或直接改投 local_ot 族（node 8/10，62.24/56.28）的结构。diff --git a/solution/run.py b/solution/run.pyindex 26c6d5d..2804df8 100644--- a/solution/run.py+++ b/solution/run.py@@ -6,6 +6,12 @@ manifest times) with damped velocity (alpha); decode via PCA inverse + per-cell Node 9: latent capacity / extrapolation strength re-tuned (dim 25->60, alpha 0.65->0.85); the PLAN soft zero-mask decode (--unmask-scale/--unmask-thresh) was searched and is OFF by default (it collapsed covariation, see METHOD.md). --unmask-scale 0 reproduces the hard zero-mask decode bit-for-bit.+Node 12: training-side regularization searched per PLAN -- soft OT pairing via Gaussian noise on+minibatch targets (--pair-sigma, the true entropic-regularization mechanism; torchcfm's own --sigma is+only the path sigma_min and a near no-op), steps=800, n-hvg=2000. All variants lost board score+monotonically in pair-sigma (0.10 -> -2.1, 0.30 -> -3.8 vs parent A-half 53.46); noise on targets+*increased* |v| and displacement std instead of smoothing them. Submitted default keeps pair-sigma=0,+sigma=0, steps=1500 (parent-equivalent, bit-for-bit, sha 523510178303...). Negative result. Ablation: --ablation zero_velocity zeroes the velocity field -> output equals copy of last stage. Single input stage -> copy_last fallback. CPU only, deterministic given --seed. """@@ -43,6 +49,11 @@ def main():     ap.add_argument("--alpha", type=float, default=0.85)     ap.add_argument("--dim", type=int, default=60)     ap.add_argument("--steps", type=int, default=1500)+    ap.add_argument("--sigma", type=float, default=0.0,+                    help="torchcfm path sigma_min (only perturbs ut by -sigma*x0; near-no-op, kept for control)")+    ap.add_argument("--pair-sigma", type=float, default=0.0,+                    help="std of Gaussian noise added to stage1 targets inside each minibatch before exact-OT "+                         "pairing (entropic regularization approximation, PLAN mechanism); 0 = exact pairing")     ap.add_argument("--n-hvg", type=int, default=2500)     ap.add_argument("--clamp-t", type=float, default=1.0)     ap.add_argument("--k-active", type=int, default=25,@@ -135,7 +146,7 @@ def main():      np.random.seed(args.seed)  # torchcfm OTPlanSampler uses numpy global RNG -    fm = ExactOptimalTransportConditionalFlowMatcher(sigma=0.0)+    fm = ExactOptimalTransportConditionalFlowMatcher(sigma=float(args.sigma))     dim = z0.shape[1]     torch.manual_seed(args.seed)     net = torch.nn.Sequential(@@ -152,11 +163,15 @@ def main():     batch = 64     n0, n1 = T0.shape[0], T1.shape[0]     g = torch.Generator().manual_seed(args.seed)+    pair_sigma = float(args.pair_sigma)     net.train()     for step in range(args.steps):         i0 = torch.randint(0, n0, (batch,), generator=g)         i1 = torch.randint(0, n1, (batch,), generator=g)-        t, xt, ut = fm.sample_location_and_conditional_flow(T0[i0], T1[i1])+        y1 = T1[i1]+        if pair_sigma > 0.0:+            y1 = y1 + pair_sigma * torch.randn(y1.shape, generator=g, dtype=y1.dtype)+        t, xt, ut = fm.sample_location_and_conditional_flow(T0[i0], y1)         v = net(torch.cat([xt, t[:, None]], dim=1))         loss = torch.nn.functional.mse_loss(v, ut)         opt.zero_grad(set_to_none=True)

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 在父节点（node 9, ot_cfm, A 半 53.46）上搜索训练端正则化。发现 torchcfm 的 `sigma` 只是路径 σ_min（近 no-op），PLAN 假设的"配对目标加噪"熵正则改由新参数 `--pair-sigma` 真实实现；连同 steps=800、HVG=2000 共查 5 次分。

**查分结果**（X3 A 半，基线 53.46）：steps=800 → 51.62（欠拟合）；σ_min=0.01 → 53.26（no-op）；hvg2000 → 51.24；pair-sigma 0.10 → 51.40、0.30 → 49.65（单调有害，且 |v|/位移 std 反升、covariation 反降，与 PLAN 预期相反）。全部阴性，按 PLAN 风险 4 提交父节点等价配置，关闭对照逐比特复现（sha `523510178303…`），vec-check 通过，用 5/20 次查分。

**下一步最值得试**：ot_cfm 的 covariation 短板在训练端正则化方向已三连阴性（node 7/9/12），应转向父节点建议的与 moscot 基因空间位移凸组合，或把资源投向 local_ot 族（node 8, 62.24）。

调研员

= 0.01 → 0.05 → 0.10。优先试 0.01（最小扰动）。若 0.01 有效则试 0.05；若 0.01 无效（< +1 分）则跳过 0.05/0.10，不浪费查分。\n\n2. **训练步数缩减**：--steps 从 1500 改为 800。依据：3000 < 1500（50.13 vs 53.46），过拟合拐点在 1500 之前。800 步一次查分即可判断趋势。\n\n3. **组合**：若 sigma 和 steps 各自有正信号（≥ +1 分），组合最佳 sigma + steps=800 再查一次。\n\n4. **补充探索（若上述均无正信号且查分余量 > 10）**：试 --n-hvg 2000（减少 HVG 可能降低速度场噪声），一次查分。\n\n执行顺序（严格控制查分 ≤ 8 次）：\n  Q1: steps=800, sigma=0（步数效应）\n  Q2: steps=1500, sigma=0.01（sigma 效应）\n  Q3: 取 Q1/Q2 中较好者，组合两者（如 steps=800+sigma=0.01）\n  Q4-Q5: 若 Q2 有效，试 sigma=0.05；若 Q3 有效，微调（如 steps=1000）\n  提交最佳配置。\n\n单输入阶段退路不变：len(entries)<2 → copy_last。\n\nvec-score 快速筛选：每次用 `vec-score` 查 X3 A 半，比较 board 和四组分。差距 < 2 分视为噪声内，不单独作为提交依据；需至少两个配置方向一致才确认趋势。",
  "expected_groups": ["covariation", "de_recovery"],
  "risks": "1. sigma>0 可能使配对过于模糊，速度场退化（方向信息丢失），cell_state 和 direction 同时下降。Engineer 应在 Q2 后立即检查 |v| mean/std 和 mean pairwise cos：若 cos > 0.90 或 |v| std < 0.2，说明速度场已退化为近似常向量，停止该方向。\n2. steps=800 可能不足（欠拟合），速度场未充分学习，cell_state 下降。若 Q1 board < 52（比父节点低 > 2 分），说明 800 步不够，放弃该方向。\n3. 两者组合可能效果不叠加（正则化来源重叠）。Q3 若不超过 Q1/Q2 中较好者，不继续组合搜索。\n4. 改善可能 < 2 分（噪声内）。若所有变体与父节点差距 < 2 分，如实提交父节点等价配置（sigma=0, steps=1500），报告阴性。",
  "family_id": "ot_cfm",
  "mechanism": "在训练端引入熵正则化（sigma>0 软化 OT 配对）并减少训练步数，使速度场更平滑、减少过拟合，从而在外推阶段产生更保守的位移，减轻对基因共变结构的破坏。核心机制仍是状态相关的速度场 v(z,t)，改变的是配对质量和训练充分度。",
  "vs_constant_shift": "速度场随细胞在潜空间的位置变化（|v| mean 1.90 std 0.52，非零方差），不是每型同一向量。软化配对改变的是训练信号的质量（减少极端配对对），使速度场更平滑，但仍然保持状态依赖性。与常数位移的区别：关闭速度场（--ablation zero_velocity）后输出退化为最后阶段抽样复制（47.62），打开后 50.29+，证明机制有效。",
  "mechanism_evidence": "Engineer 应记录并报告：(1) 训练后速度场统计：|v| mean/std、mean pairwise cosine similarity（sigma>0 预期 cos 略升、std 略降，表明更平滑）；(2) 每细胞位移 ||Δz|| 的 mean/std/max（sigma>0 预期 max 下降，极端位移减少）；(3) 四组分各自变化，重点看 covariation 是否回升、cell_state 是否保持；(4) 若可能，打印训练 loss 曲线最后 100 步的方差（过拟合时方差大）。",
  "mechanism_off_control": "sigma=0 + steps=1500 即父节点默认配置，输出应与父节点逐比特相同（sha256 一致）。Engineer 先跑一次 `--sigma 0 --steps 1500` 确认 sha256 与父节点 METHOD.md 记录一致，再开始搜索。若不一致，说明代码改动污染了原逻辑，必须先修复。",
  "sources": []
}