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

节点 n16

ot_cfm 与 moscot 耦合速度凸组合搜索：原始/幅度匹配/逐步步长保持三种混合共 4 个变体全部低于父节点（covariation 与 cell_state 此消彼长），阴性结果，默认提交父节点等价配置（--moscot-w 0，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 ec9057f0fb: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 3ea3209ebd。改动的文件：solution/METHOD.md +27 −38、solution/run.py +90 −0

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex f7c9f02..dbc867f 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,53 +1,42 @@-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。+ot_cfm 与 moscot 耦合速度凸组合搜索：原始/幅度匹配/逐步步长保持三种混合共 4 个变体全部低于父节点（covariation 与 cell_state 此消彼长），阴性结果，默认提交父节点等价配置（--moscot-w 0，逐比特一致）。  ## 方法族与实现 -`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。+`family_id = ot_cfm`。管线同父节点（node 12 默认）：whiten-PCA(60) 潜空间 → minibatch 精确 OT 配对训练 MLP 速度场（steps=1500, HVG=2500）→ 阻尼 Euler 外推（α=0.85, t 钳 1）→ PCA 逆变换 + 逐细胞残差 + 硬零掩码解码。单输入阶段退化为 copy_last。 -本节点代码改动（两处，均为参数化，默认值 = 父节点行为）：+本节点新增（PLAN：moscot 耦合速度锚定，凸组合权重 w）： -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。+- `--moscot-w`（默认 0 = 关闭，逐比特父节点）：v_final = (1−w)·v_cfm + w·v_mos。+- v_mos 计算：对 stage0 细胞（≤3000，同训练子集）与**输出细胞**（从 stage1 抽样）在潜空间做 log-domain Sinkhorn（代价 = 平方欧氏，ε = `--moscot-eps`(1e-3) × 平均代价，一致边际，25 次迭代收敛到 marg_err<1e-13；自写实现，POT 的 sinkhorn_log 在此 ε 下过慢）；每个输出细胞取耦合权重 top-k=10 祖先重心 anc_z，v_mos = z_start − anc_z（t-单位，与 v_cfm 同单位；PLAN 写的 /dt 会造成视图间尺度不一致，未采用）。+- `--moscot-norm 1`：v_mos 逐细胞缩放到起点处 |v_cfm|（纯方向锚定，消除幅度混杂）。+- `--moscot-renorm`：每个 Euler 步把混合后速度缩放回 |v_cfm|（保持父节点位移幅度，只旋转方向）。 -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。+## 机制证据（X3 视图，seed 0） -## 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）+- 耦合非退化：v_mos 平均两两余弦 0.040（≪0.9），|v_mos| mean 7.398 std 2.526。+- 两速度方向确实不同：cos(v_cfm, v_mos) 逐细胞 mean 0.348 std 0.133 —— 混合有实质内容。+- 混合确实改变了细胞：位移 mean 8.79(父) → 8.00(w0.3 原始) → 6.09(w0.3 norm) → 5.04(w0.5 norm)；renorm 变体位移回到父节点水平但方向被旋转。+- ε=1e-3 时耦合接近硬分配（top-1 列权重 ~0.5，有效祖先数 ~2.5），符合 PLAN 风险 1 的预判；未来若继续可试更大 ε。++## 对照结果（X3 A 半，seed 0，5 次查分；父节点 A 半 53.46 / cell_state 68.07 / cov 42.14 / de 49.07 / dir 49.40）  | 配置 | board | cell_state | covariation | de_recovery | direction | |---|---|---|---|---|---|-| 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+| w=0.3 原始幅度 | 52.08 | 65.95 | 40.77 | 47.32 | 49.24 |+| w=0.3 幅度匹配 | 52.49 | 65.06 | 43.12 | 48.18 | 49.21 |+| w=0.5 幅度匹配 | 51.62 | 63.07 | 43.36 | 46.90 | 49.20 |+| w=0.5 幅度匹配+逐步 renorm | 52.43 | 66.84 | 40.64 | 47.75 | 49.26 |+| **w=0（提交默认）** | **53.46** | 68.07 | 42.14 | 49.07 | 49.40 | -- 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。+机制关闭对照：`--moscot-w 0` 完全跳过 Sinkhorn 与混合分支，输出与父节点**逐比特一致**（sha256 `52351017830352494d3729284326e77311470e09d6ca6bfb504c39e4240fe688`，本节点改动后复验通过），分数即父节点 A 半 53.46。 -## 验证与未验证+## 结论与教训 -- 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。+- 假设不被支持：moscot 耦合速度混入 CFM 速度场**不能**修复 covariation。四个变体全部低于父节点。+- 结构诊断：在本管线里 covariation 与 cell_state 通过总位移幅度强耦合——凡缩小位移（原始混合、幅度匹配）covariation 升（42.1→43.4）但 cell_state 大跌（68→63-66）；保持位移只旋转方向（renorm）则 covariation 反而降到 40.6。说明 local_ot（node 8/11，cov 49.6）的 covariation 优势来自其**解码结构**（耦合 PCA 空间位移 + λ=3 放大解码），不是耦合方向本身，方向混合搬不过来。+- ot_cfm 族训练端（node 7/9/12）与结构端（本节点）均阴性，54.37 平台确认；后续预算应转向 local_ot 族（62.24）的结构改进。 -## 下一步建议+## 知识来源与合规 -- 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。+- 未使用任何保留阶段/保留基因型信息、未读 external/（本方法只用两个输入阶段自身的数据）、未用 prior/。方法只用通用最优传输/Sinkhorn 知识（Peyré & Cuturi, Computational Optimal Transport）与父节点已有代码。+- 已验证：X3 视图 seed 0 全部 5 个配置跑通、vec-check 通过、w=0 逐比特对照。未验证：更大 ε（更平滑耦合）、w<0.3、多 seed（提交默认与父节点逐比特相同，父节点已有 rank3 记录）。视图无关性：不读路径/manifest 排版，时间只用差值，w=0 路径与父节点相同（父节点已通过伪装视图检查）。diff --git a/solution/run.py b/solution/run.pyindex 2804df8..a26f869 100644--- a/solution/run.py+++ b/solution/run.py@@ -13,6 +13,13 @@ monotonically in pair-sigma (0.10 -> -2.1, 0.30 -> -3.8 vs parent A-half 53.46); *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.+Node 16: PLAN moscot-coupling velocity blend (--moscot-w) implemented and searched: Sinkhorn (log-domain,+eps=1e-3*mean cost) coupling stage0 -> output cells, top-k=10 ancestor barycenter, v_mos = z1 - anc_z;+blended v = (1-w)*v_cfm + w*v_mos with optional magnitude matching (--moscot-norm) and per-step+displacement preservation (--moscot-renorm). All 4 scored variants (w=0.3/0.5) lost board score+(52.08/52.49/51.62/52.43 vs parent A-half 53.46): shrinking displacement lifts covariation but collapses+cell_state; direction-only rotation lowers covariation. Negative result; default --moscot-w 0 skips the+whole branch and reproduces the parent bit-for-bit (sha 523510178303...). Single input stage -> copy_last fallback. CPU only, deterministic given --seed. """ from __future__ import annotations@@ -75,6 +82,19 @@ def main():                     help="absolute threshold on the PCA reconstruction (log1p units) to activate a zero position")     ap.add_argument("--whiten", action="store_true", default=True)     ap.add_argument("--no-whiten", dest="whiten", action="store_false")+    ap.add_argument("--moscot-w", type=float, default=0.0,+                    help="blend weight w of moscot (Sinkhorn coupling) empirical velocity: "+                         "v = (1-w)*v_cfm + w*v_mos; 0 = pure CFM (parent, bit-for-bit)")+    ap.add_argument("--moscot-k", type=int, default=10,+                    help="top-k ancestors per stage1 cell in the coupling for the barycenter")+    ap.add_argument("--moscot-eps", type=float, default=1e-3,+                    help="Sinkhorn entropic regularization as a fraction of mean squared-euclidean cost")+    ap.add_argument("--moscot-norm", type=float, default=0.0,+                    help="1 = rescale v_mos per cell to the CFM velocity norm at the start point "+                         "(pure direction anchor); 0 = raw coupling displacement")+    ap.add_argument("--moscot-renorm", action="store_true",+                    help="rescale the blended velocity to the CFM velocity norm at every Euler step "+                         "(pure direction rotation, parent displacement magnitude preserved)")     args = ap.parse_args()      view = args.data@@ -200,6 +220,69 @@ def main():     z_start = z1_all[out_idx]     resid_h = X1[out_idx][:, hvg_local] - pca.inverse_transform(z_start).astype(np.float32) +    # ---- moscot (Sinkhorn) empirical velocity, node 16 ----+    # For each output cell (sampled from stage1): top-k coupling-weighted ancestor barycenter+    # anc_z in z0 via log-domain Sinkhorn (uniform marginals, cost = sqeuclidean on whitened PCA,+    # eps = --moscot-eps * mean cost). v_mos = z_start - anc_z, in t-units (t spans 0->1 across+    # the input interval, symmetric with v_cfm units).+    w_mos = float(args.moscot_w)+    v_mos_out = None+    if w_mos > 0.0:+        from scipy.special import logsumexp++        z0d = z0.astype(np.float64)+        zd = z_start.astype(np.float64)+        C = ((z0d ** 2).sum(1)[:, None] + (zd ** 2).sum(1)[None, :]+             - 2.0 * (z0d @ zd.T))+        np.maximum(C, 0.0, out=C)+        eps = float(args.moscot_eps) * max(float(C.mean()), 1e-12)+        M = -C / eps+        del C+        la = np.full(z0d.shape[0], -np.log(z0d.shape[0]))+        lb = np.full(zd.shape[0], -np.log(zd.shape[0]))+        f = np.zeros(z0d.shape[0])+        g = np.zeros(zd.shape[0])+        for it in range(2000):+            f = la - logsumexp(M + g[None, :], axis=1)+            g = lb - logsumexp(M + f[:, None], axis=0)+            if it % 25 == 24:+                lw = M + f[:, None] + g[None, :]+                col = np.exp(logsumexp(lw, axis=0))+                err = float(np.abs(col - np.exp(lb)).max() / np.exp(lb[0]))+                del lw, col+                if err < 1e-6:+                    break+        log(f"moscot sinkhorn: eps={eps:.4g} iters={it + 1} marg_err={err:.2e}")+        # top-k ancestors per output cell from the column-normalized coupling+        lw = M + f[:, None] + g[None, :]+        lw -= logsumexp(lw, axis=0, keepdims=True)  # log column-conditional weights+        k_anc = int(min(args.moscot_k, z0d.shape[0]))+        top = np.argpartition(-lw, k_anc - 1, axis=0)[:k_anc]+        wts = np.take_along_axis(lw, top, axis=0)+        wts = np.exp(wts - wts.max(axis=0, keepdims=True))+        wts /= wts.sum(axis=0, keepdims=True)+        anc_z = np.einsum("kn,knd->nd", wts, z0d[top])+        v_mos_out = (zd - anc_z).astype(np.float32)+        nm = np.linalg.norm(v_mos_out, axis=1)+        pv = v_mos_out[:: max(1, len(v_mos_out) // 100)][:100]+        pvn = pv / np.maximum(np.linalg.norm(pv, axis=1, keepdims=True), 1e-12)+        cos_m = float((pvn @ pvn.T)[np.triu_indices(len(pvn), 1)].mean())+        with torch.no_grad():+            v_cfm0 = net(torch.cat([torch.from_numpy(z_start),+                                    torch.ones((z_start.shape[0], 1), dtype=torch.float32)], dim=1)).numpy()+        cn = v_cfm0 / np.maximum(np.linalg.norm(v_cfm0, axis=1, keepdims=True), 1e-12)+        mn = v_mos_out / np.maximum(nm[:, None], 1e-12)+        cos_per_cell = (cn * mn).sum(axis=1)+        log(f"moscot: k={k_anc} |v_mos| mean {nm.mean():.3f} std {nm.std():.3f}; "+            f"v_mos mean pairwise cos {cos_m:.3f} (degenerate if >0.9); "+            f"cos(v_cfm, v_mos) per-cell mean {cos_per_cell.mean():.3f} std {cos_per_cell.std():.3f}")+        if float(args.moscot_norm) > 0.0:+            scale = np.linalg.norm(v_cfm0, axis=1, keepdims=True) / np.maximum(nm[:, None], 1e-12)+            v_mos_out = (v_mos_out * scale).astype(np.float32)+            nm = np.linalg.norm(v_mos_out, axis=1)+            log(f"moscot norm-matched: |v_mos| mean {nm.mean():.3f} std {nm.std():.3f}")+        del M, lw, top, wts+     # ---- damped Euler integration t: 1 -> t_end ----     alpha = args.alpha     if args.ablation == "zero_velocity":@@ -215,6 +298,13 @@ def main():                 tt = min(tt, args.clamp_t)             zt = torch.from_numpy(z)             v = net(torch.cat([zt, torch.full((z.shape[0], 1), tt, dtype=torch.float32)], dim=1)).numpy()+            if v_mos_out is not None:+                vb = (1.0 - w_mos) * v + w_mos * v_mos_out+                if args.moscot_renorm:+                    nv = np.linalg.norm(v, axis=1, keepdims=True)+                    nb = np.maximum(np.linalg.norm(vb, axis=1, keepdims=True), 1e-12)+                    vb = vb * (nv / nb)+                v = vb             z = z + alpha * v * h     disp0 = np.linalg.norm(z - z_start, axis=1)     log(f"displacement (pre-damping): mean {disp0.mean():.3f} std {disp0.std():.3f} max {disp0.max():.3f}")

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

All four variants below parent. Per node 12's precedent, submit parent-equivalent default (w=0) as a negative result. Verify bit-for-bit:

调研员

{
  "name": "ot_cfm 速度场与 moscot 耦合速度凸组合修复 covariation",
  "motivation": "父节点 12 的 covariation=42.29 是四组分最弱项，比 copy_last 的 ~48.4 低 6 分，且训练端正则化三连阴性（node 7/9/12）证明该方向已尽。local_ot（node 8/11）用 moscot 耦合位移达到 covariation 49.61，说明耦合重心位移天然保共变。将 moscot 耦合速度作为锚定与 CFM 速度凸组合，可在保留状态依赖方向的同时抑制速度场在共变结构上的漂移。",
  "approach": "在父节点 run.py 基础上新增 --moscot-w 参数（默认 0 = 纯 CFM，逐比特等价父节点）。步骤：(1) 复用已有 whiten-PCA(60) 潜空间，对 stage0/stage1 的 3000 细胞子集跑 Sinkhorn（ε=1e-3×代价尺度，POT ot.sinkhorn，CPU 3000×3000 约 2-5 s）；(2) 对每个 stage1 细胞取 top-k=10 祖先重心 anc_z（耦合加权均值）；(3) moscot 速度 v_mos = (z1_i − anc_z_i)/dt；(4) CFM 速度 v_cfm 照旧（steps=1500, α=0.85, t 钳 1）；(5) 混合速度 v_final = (1−w)·v_cfm + w·v_mos；(6) 外推 z_out = z1 + α·v_final·(t_end−1)，PCA 逆变换 + 逐细胞残差 + 硬零掩码解码。搜索序列：w ∈ {0.3, 0.5, 0.7}，共 3 次查分 + 1 次基线确认 = 4 次，留余量给最优 w 的复验。单输入阶段退化为 copy_last（不变）。用 vec-score 查 X3 A 半；若 w=0.3 已使 covariation ≥ 45 且 board ≥ 54，锁定；否则继续。",
  "expected_groups": ["covariation", "direction"],
  "risks": "1) moscot 耦合在 60 维空间可能过平滑（ε 太小→近硬分配），导致 v_mos 方向过于集中、cell_state 下降；Engineer 应检查 v_mos 的方向多样性（mean pairwise cos < 0.9）。2) w 过大（0.7）退化为 local_ot，丧失 CFM 状态依赖优势，cell_state 可能从 69.8 跌至 <60；若 w=0.7 时 cell_state < 62 则放弃该格点。3) 3000×3000 Sinkhorn 在 60 维下内存 ~1.4 GB，加原有 1.9 GB 峰值应在 24 GB 内，但若超限可降至 2000 细胞。4) 提升可能 < 2 分噪声；Engineer 应在 w=0.3 和 w=0.5 各查一次确认方向一致性。",
  "family_id": "ot_cfm",
  "mechanism": "学习到的状态依赖速度场 v_cfm(z,t) 仍是核心驱动；moscot 耦合提供的经验速度 v_mos 作为锚定分量按权重 w 混入，抑制速度场在基因共变方向上的过冲。",
  "vs_constant_shift": "速度随每个细胞在潜空间的位置变化（CFM 是状态相关的非线性场），混合权重 w 是全局的但两个速度分量都是逐细胞向量；不是每型加同一个常数位移。",
  "mechanism_evidence": "1) 报告 v_cfm 与 v_mos 的逐细胞余弦相似度分布（若全为 1 则混合无意义）；2) 混合后逐细胞位移 ||Δz|| 的 mean/std 应介于纯 CFM（8.79/3.85）与纯 moscot 之间；3) 四组分各自变化：预期 covariation +3~6、cell_state −2~5、de_recovery 持平、direction 持平或略升；4) 位移在型内的离散程度（速度场不能退化为常数）。",
  "mechanism_off_control": "--moscot-w 0：完全跳过 Sinkhorn 和混合步骤，代码路径与父节点逐比特一致（可用 sha256 校验）。预期：输出与父节点相同，分数 53.46（A 半）。若 w=0 输出有任何差异则实现有 bug。",
  "sources": []
}