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

节点 n24

按PLAN(family lowrank_shape)对型级位移做PC空间方差加权收缩 f_m=s_m²/(s_m²+λ·s_1²)，tilde=V@(f·w_c)；实测λ>0单调降总分（cov↑但cs↓占主导），提交默认λ=0逐元素还原父节点20。

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 947917d426: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 21ca33e097。改动的文件：solution/METHOD.md +34 −32、solution/run.py +48 −13

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 6625fae..4115bcc 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,46 +1,48 @@-按PLAN把节点13的逐细胞局部扩张 η·g_i 改为范数归一+按型增益：ĝ_i=g_i/‖g_i‖，s_c=clip(‖w_c‖/med_c(‖g‖),0.5,5)，位移=η·s_c·V ĝ_i；扫 η/裁剪/spow 后提交 typed η=-9（3 seed 配对验证，均值 +0.27，cov 三个 seed 一致 +0.4~0.5）。--eta-norm global --local-eta -3 逐元素还原父节点。+按PLAN(family lowrank_shape)对型级位移做PC空间方差加权收缩 f_m=s_m²/(s_m²+λ·s_1²)，tilde=V@(f·w_c)；实测λ>0单调降总分（cov↑但cs↓占主导），提交默认λ=0逐元素还原父节点20。 -## 实际实现的方法族（family: other，PLAN 指定机制）+## 实际实现的方法族（family: lowrank_shape，PLAN 指定机制） -完整保留节点 13/16 管线：copy_last 抽样（rng 流不变）、per-type EB 位移 δ_c（含 SYNONYM_PARENTS 改名回退）、时间缩放 α·r（α=1.5，只用相对时间差）、top-8000 HVG / top-25 PC 基 V / β=1 低秩投影、kNN(k=15) 局部项 g_i、只作用非零元、max(0,·)、--vel-lambda（默认 0，旁路）。单输入视图严格退化 copy_last（代码路径未动）。+在节点 20 完整管线之上加入 PLAN 指定的 **PC 空间方差加权的型级位移收缩**： -新增（PLAN 机制，--eta-norm typed，默认）：-1. 逐细胞归一：ĝ_i = g_i / max(‖g_i‖, 1e-6)（单位方向）。-2. 按型增益：med_c = median(‖g_j‖, j∈型c 的 stage2 全体细胞)；s_c = clip(‖w_c‖ / max(med_c, 0.1), --eta-smin 0.5, --eta-smax 5.0) ** --eta-spow（默认 spow=1 即 PLAN 原式；spow 是探索时加的阻尼开关）。w_c = V^T·(scale·δ_c)[hvg]。-3. 局部位移 = η·s_c·β·(ĝ_i @ V^T)，加在 δ_c 位移之上、只作用非零元（同父节点算术位置）。-4. 默认 --local-eta 从 -3 改为 **-9**（归一后幅度变小，需补偿；见扫描表）。+1. `covariation_basis()` 现在额外返回 `svds` 的奇异值 `s`（原先被丢弃：`_,_,Vt` → `_,s,Vt`），与 `V` 同序（降序）。+2. 新增 `--pc-shrink`（λ_reg，默认 **0**）。当 λ>0：对每个型的 PC 位移 `w_c = V^T·(scale·δ_c[hvg])`，按分量收缩 `f_m = s_m²/(s_m² + λ_reg·s_1²)`，`w̃_c[m]=f_m·w_c[m]`，再重构 `tilde = V @ w̃_c`（替换原来的 `V@(V^T@dv)`）。λ_reg 无量纲（相对顶 PC 方差）。+3. 局部扩张项 `η·s_c·V·ĝ_i`（节点 20 机制）不变。+4. 其余全部沿用节点 20：copy_last 抽样（rng 流不变）、per-type EB 位移 δ_c（含 SYNONYM_PARENTS 改名回退）、时间缩放 α·r（α=1.5，仅用相对时间差）、top-8000 HVG / top-25 PC 基 V / β=1 低秩投影、kNN(k=15) 局部项、typed η=-9、只作用非零元、max(0,·)。单输入视图严格退化 copy_last（该代码路径未动）。 -## 机制关闭对照（mechanism_off_control）+## 机制关闭对照（mechanism_off_control，成立） -`--eta-norm global --local-eta -3`：与父节点（节点16 默认 = 节点13 逐元素）在同一视图同 seed 下预测逐元素一致（(A!=B).nnz == 0，双向验证），X3 A 半 seed0 = 58.87（= 节点 13/16 记录值）。对照成立。+`--pc-shrink 0`（默认）：`shrink_f=None`，`tilde=V@(V^T@dv)`，与父节点 20 在同一视图同 seed 下预测**逐元素一致**（X3 A 半 seed0，`(A!=B).nnz == 0`，双向验证）。这是同一程序里的单开关改动。 -## 机制生效证据+## 机制生效证据（λ>0 时） -- typed η=-3 seed0：输出与父节点相差 1,186,330 个非零元——非微扰。-- 每型 s_c（X3, seed0）：Endocardium 1.28、Unknown 1.26、OFT/RV-CM 1.54、aSHF 1.85、IFT-CM 2.15、BEC 2.45、V-CM 4.02、SV-CM 4.22、AVC-CM 4.76、NCC-derived 4.85、ST 4.82、pSHF 5.00（触 clip）。spread 1.26→5.00，非平凡。-- 归一后每细胞 ‖ĝ‖=1（各型一致），归一前 mean‖g‖≈6.6~13.5 随型/密度变化——型内扩张幅度已均匀化、型间与 ‖w_c‖ 成比例。+- 打印的 f_m（λ=0.1，X3 seed0）：`[0.909 0.842 0.743 0.727 0.705 0.587 0.517 0.476 0.436 0.430 0.362 0.334 0.322 0.307 0.292 0.280 0.265 0.260 0.256 0.247 0.242 0.239 0.237 0.234 0.225]`——单调递减，顶 PC≈0.91、底部 PC≈0.23。**非平坦谱，机制有杠杆**（PLAN 风险 1 不成立）。+- 改变的输出元素数 vs 父节点：λ=0.05→1,185,736；λ=1.0→1,190,093（远超 PLAN 的 >100k 阈值，非微扰）。 -## 查分记录（X3 A 半，seed 0 除注明外；用 12/20 次）+## 查分记录（X3 A 半，seed0；用 13/20 次）  | 配置 | 总分 | cell_state | covariation | de_recovery | direction | |---|---|---|---|---|---|-| global η=-3（=父，seed0/1/2） | 58.87 / 58.74 / 61.06 | 82.85/82.65/87.09 | 44.16/43.76/47.89 | 50.96/49.53/50.48 | 49.78/51.25/50.94 |-| **typed η=-9（提交，seed0/1/2）** | **59.60 / 58.88 / 61.02** | 85.31/83.19/86.81 | 44.62/44.11/48.41 | 50.48/49.07/50.00 | 49.87/51.32/51.16 |-| typed η=-1/-2/-3 | 54.36/55.19/56.05 | 64.6/67.7/70.9 | 47.26/46.89/46.53 | 51.46 | ~50.5 |-| typed η=-6/-8/-10/-11 | 58.49/59.33/**59.66**/59.39 | 80.0/84.2/85.8/85.6 | 45.5/44.9/44.3/44.1 | 51.5/50.5/50.5/50.0 | ~49.8 |-| typed η=-9 smax=3 / smin=2 | 59.01/59.26 | 83.2/85.0 | 44.8/44.1 | 50.5/50.0 | ~49.9 |-| typed spow=0.5 η=-9/-14；spow=0 η=-21 | 58.21/59.10/58.87 | 78.7/84.2/82.8 | 45.4/44.4/44.2 | 51.96/50.0/50.96 | ~50 |--3-seed 配对差（typed η=-9 − global η=-3）：总分 +0.73/+0.13/−0.04（均值 +0.27）；cell_state +2.46/+0.54/−0.28；covariation **+0.46/+0.35/+0.52（三 seed 一致为正）**；de_recovery −0.48×3（一致为负）；direction ≈0。--## 结论与判断--- PLAN 提交判据（cov≥46 且 cs≥85）在 η 维度上不可同时满足：|η| 增大单调 cs↑ cov↓ de↓，是幅度权衡曲线；cov≥46 的配置（|η|≤3）cs 只有 64~71。PLAN 风险 1 部分应验（cov 的大幅损失确是扩张幅度的结构代价），风险 2 未应验（cs 未跌破 85，反而升）。-- 选 η=-9（而非 seed0 最高的 η=-10，59.66）：η=-9 有 3-seed 配对验证（从未比父差 >0.05，两次为正），cov 目标组一致改善，避免对 seed0 A 半过拟合。总增益 +0.27 均值 < 噪声 2 分，如实记录：这是"cov/cs 一致小幅改善、de 一致小幅损失"的近中性改动，正式分（B 半）不保证为正。-- de_recovery 的一致 −0.48 是主要残留损失，来源应是强扩张稀释了 δ_c 的 DE 信号（η=-6 时 de 尚有 51.46）。+| **父 λ=0（=提交默认）** | **59.60** | 85.31 | 44.62 | 50.48 | 49.87 |+| pc-shrink λ=0.05 | 58.64 | 82.51 | 45.60 | 49.53 | 49.55 |+| pc-shrink λ=0.1 | 57.46 | 78.87 | 45.93 | 49.07 | 49.39 |+| pc-shrink λ=0.25 | 55.04 | 71.30 | 46.48 | 48.18 | 49.22 |+| pc-shrink λ=0.5 | 53.29 | 65.27 | 46.84 | 48.18 | 49.18 |+| pc-shrink λ=1.0 | 52.03 | 60.97 | 47.02 | 48.18 | 49.14 |+| λ=0 + proj-norm（保范数） | 56.88 | 77.78 | 42.88 | 50.00 | 49.89 |+| λ=0.5 + proj-norm | 56.93 | 78.13 | 43.99 | 49.07 | 49.69 |+| λ=1.0 + proj-norm | 56.82 | 77.63 | 44.23 | 49.07 | 49.67 |+| α 扫描（λ=0）α=1.0/1.25/1.75/2.0 | 58.03/59.28/58.99/57.86 | 79.4/83.9/84.1/80.7 | 45.8/45.2/43.9/43.3 | 50.5/50.5/50.0/50.0 | ~49.8 |++## 结论与判断（如实报告 null）++- **pc-shrink 机制对总分是净负**：λ↑ 单调提升 covariation（44.62→47.02，+2.4，PLAN 目标组确实改善），但同时单调**坍塌** cell_state（85.31→60.97，−24）与 de_recovery（50.48→48.18）。board 对 λ 在 λ→0 处导数即为负，λ∈{0.05,0.1,0.25,0.5,1.0} 全部低于父节点，无一净正区间。+- 机理：收缩低方差 PC 分量等价于**减小型级位移幅度**，把预测沿 full-displacement↔copy_last 轴往 copy_last 推（node1 copy_last 的 cov=48.44 最高、cs=49.68 最低）。这与节点 21（PC-band 限制局部扩张）观察到的 cov:cs 单调权衡是同一结构代价，交换率极不利（本例约 cov +2.4 换 cs −24）。PLAN 关于「只削噪声 PC、保主导协变轴即可提 cov 而不损 cs」的假设**未被数据支持**：低方差 PC 分量对 cs 的贡献远大于其对 cov 的破坏。+- **proj-norm 保范数补救失败**：λ=0+proj-norm 本身就把 board 从 59.60 降到 56.88（cs−7.5、cov−1.7），保范数重标定反而过冲；叠加收缩后 board 稳定在 ~56.9，仍远低于父。+- **α 扫描（父 ANALYSIS 建议 #3，正交维度）**：α=1.5 已是峰值（1.0/1.25/**1.5**/1.75/2.0 = 58.03/59.28/**59.60**/58.99/57.86），α 同样呈 cs↔cov 单调权衡，无净正改进。父 α=1.5 保持最优。+- 按父节点教训 #4「判据不可满足时应回退到父配置而非提交权衡点」：PLAN 成功判据（cov≥46 且维持总分）不可满足（cov≥46 需 λ≥0.25，此时总分 −4.6），故**提交默认 λ=0，逐元素还原节点 20**。本节点贡献是明确记录 pc-shrink / proj-norm / α 三个维度在 X3 上均为净负或中性，为后续节点排除该方向。  ## 验证过 / 没验证 -- 验证过：global+η=-3 与父逐元素一致；默认（typed η=-9）seed 0/1/2 输出确定、通过 vec-check；默认输出与 --local-eta -9 显式运行逐元素一致；耗时 ~5-11s、内存不变；单输入阶段代码路径未动（严格 copy_last）。-- 没验证：final/proxy 视图实跑（同一代码路径，行为由数据现场计算决定；E8.5→E9.5→E10.5 间隔更大，r 与 s_c 数值会不同）；B 半分数；de 损失的修复方案（如局部项对 top-|δ_c| 基因降权）未及尝试。-- 知识来源：SYNONYM_PARENTS 沿用节点 5/13（官方 T1 词汇改名/拆分，通用谱系知识）；其余全部由视图数据现场计算，无硬编码阶段统计量、无绝对时间分支（r 只用时间差）。+- 验证过：λ=0（默认）与父节点逐元素一致（diff nnz=0，双向）；机制生效证据（f_m 谱、改变元素数）；λ∈{0.05,0.1,0.25,0.5,1.0}×seed0 + proj-norm 三配置 + α 四点，共 13 次 X3 A 半查分一致指向父配置最优；默认输出通过 vec-check；单输入阶段代码路径未动（严格 copy_last）；输出对 seed 确定。+- 没验证：final/proxy 视图实跑（同一代码路径，行为由数据现场计算决定；E8.5→E9.5→E10.5 间隔更大，r、s_c、奇异值谱会不同，pc-shrink 的净负结论在 final 上未直接复核）；B 半分数；pc-shrink 的 3-seed 配对（因 seed0 已单调净负、无净正区间，未耗额度做多种子）。+- 知识来源：SYNONYM_PARENTS 沿用节点 5/13/20（官方 T1 词汇改名/拆分，通用谱系知识）；奇异值、PC 基、f_m、位移、组分全部由视图输入现场计算，无硬编码阶段统计量、无绝对时间分支（r 只用时间差）。diff --git a/solution/run.py b/solution/run.pyindex f844124..276b4aa 100644--- a/solution/run.py+++ b/solution/run.py@@ -11,17 +11,33 @@ per-cell local expansion term computed from g_i = mean_{j in kNN(i)} (z_j - z_i) the mean PC-space offset of the cell's k=15 nearest neighbours in the stage-2 pool (z = V^T x_hvg, centered). -This node (PLAN: per-type norm-normalized expansion): with --eta-norm typed-(default), g_i is replaced by s_c * ghat_i where ghat_i = g_i / ||g_i|| (unit-direction) and s_c = clip(||w_c|| / median_c(||g||), smin, smax) ** spow, with+Node 20 (per-type norm-normalized expansion): with --eta-norm typed (default),+g_i is replaced by s_c * ghat_i where ghat_i = g_i / ||g_i|| (unit direction)+and s_c = clip(||w_c|| / median_c(||g||), smin, smax) ** spow, with w_c = V^T Delta_c[hvg] the type-level PC displacement. Default eta = -9,-spow = 1, clip [0.5, 5]. Mechanism-off control: `--eta-norm global---local-eta -3` reproduces node 13/16 element-wise (verified (A!=B).nnz == 0).-An extra exponent flag --eta-spow (0 = pure unit-norm, 0.5 = sqrt-damped-per-type gain) was explored; spow=1, eta=-9 was the best 3-seed paired config.+spow = 1, clip [0.5, 5]. -View independence: V and all offsets come from the view's own input matrices;-only relative time differences are used. Single input stage -> exact copy_last.+Node 24 (this node, PLAN family lowrank_shape): adds --pc-shrink lambda_reg,+a PC-component variance-weighted shrinkage of the type-level displacement.+covariation_basis now also returns the singular values s; each type's PC+displacement w_c = V^T (scale*delta_c[hvg]) is shrunk component-wise by+f_m = s_m^2 / (s_m^2 + lambda_reg * s_1^2) before reconstruction+tilde = V @ (f * w_c). This reorients the displacement toward the dominant+covariance PCs and suppresses noise-dominated low-variance PCs. lambda_reg is+scale-free (relative to the top-PC variance). DEFAULT lambda_reg = 0 (all+f_m = 1), which reproduces node 20 element-wise -- verified (A!=B).nnz == 0 on+X3 A-half seed 0. Empirically the shrinkage is a NET NEGATIVE on X3: it raises+covariation (44.6 -> 47.0 at lambda=1.0) but collapses cell_state (85.3 -> 61.0)+via displacement-magnitude reduction, monotonically lowering the board score+for every lambda>0 (see METHOD.md). Kept as a single-flag mechanism-off control;+submission default lambda_reg=0 == parent node 20.++Mechanism-off control for node 20 too: `--eta-norm global --local-eta -3`+reproduces node 13/16 element-wise (verified (A!=B).nnz == 0).++View independence: V, singular values and all offsets come from the view's own+input matrices; only relative time differences are used. Single input stage ->+exact copy_last (this code path is untouched). """  from __future__ import annotations@@ -96,9 +112,10 @@ def covariation_basis(Xa: sparse.csr_matrix, Xb: sparse.csr_matrix,     D -= mu     kk = int(min(k, min(D.shape) - 1))     v0 = rng.standard_normal(min(D.shape))-    _, _, Vt = svds(D, k=kk, v0=v0)+    _, s, Vt = svds(D, k=kk, v0=v0)     V = np.ascontiguousarray(Vt[::-1].T)  # (g, kk), descending singular values-    return hvg, mu.ravel(), V+    s = np.ascontiguousarray(s[::-1])  # descending singular values+    return hvg, mu.ravel(), V, s   def main() -> None:@@ -136,6 +153,11 @@ def main() -> None:     parser.add_argument("--eta-spow", type=float,                         default=float(os.environ.get("VEC_ETA_SPOW", "1.0")),                         help="exponent on s_c (0 = pure unit-norm, 1 = PLAN)")+    parser.add_argument("--pc-shrink", type=float,+                        default=float(os.environ.get("VEC_PC_SHRINK", "0.0")),+                        help="lambda_reg: PC-component shrinkage f_m = s_m^2 / "+                             "(s_m^2 + lambda_reg * s_1^2) applied to the "+                             "type-level displacement in PC space (0 = off)")     parser.add_argument("--vel-lambda", type=float,                         default=float(os.environ.get("VEC_VEL_LAMBDA", "0.0")))     parser.add_argument("--vel-k", type=int,@@ -206,13 +228,23 @@ def main() -> None:         # low-rank covariation basis from the two input stages (own rng stream,         # keeps the sample_rows draw above identical to the parent)         hvg = V = mu = None+        svals = None+        shrink_f = None         Z2 = G = None         Vmat = None         if use_proj:             rng_proj = np.random.default_rng(np.array([args.seed, 0x5EED], dtype=np.int64))-            hvg, mu, V = covariation_basis(prev.X.tocsr(), last.X.tocsr(),+            hvg, mu, V, svals = covariation_basis(prev.X.tocsr(), last.X.tocsr(),                                            args.proj_k, args.proj_hvg,                                            args.proj_cells, rng_proj)+            # PC-component shrinkage factors f_m = s_m^2/(s_m^2 + lam*s_1^2)+            if args.pc_shrink and float(svals[0]) > 0:+                sq = svals.astype(np.float64) ** 2+                shrink_f = sq / (sq + float(args.pc_shrink) * sq[0])+                print("pc-shrink lam=%.3g f_m=%s"+                      % (args.pc_shrink,+                         np.array2string(shrink_f, precision=3, max_line_width=200)),+                      file=sys.stderr)             # per-cell local tangential offsets (mechanism of this node):             # PC coordinates of every stage-2 cell; for each output cell,             # g_i = mean over its kNN (excluding itself) of (z_j - z_i).@@ -283,7 +315,10 @@ def main() -> None:             d = scale * delta_for(str(t))             if use_proj:                 dv = d[hvg]-                tilde = V @ (V.T @ dv)+                wc = V.T @ dv+                if shrink_f is not None:+                    wc = wc * shrink_f+                tilde = V @ wc                 nd, nt = float(np.linalg.norm(dv)), float(np.linalg.norm(tilde))                 if args.proj_norm and nt > 0:                     tilde *= nd / nt

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

Done. Summary of this node (24, improve on node 20):

**做了什么**：按 PLAN（family `lowrank_shape`）实现 PC 空间方差加权的型级位移收缩——`covariation_basis` 捕获奇异值 `s`，每型位移 `w_c=V^T·(scale·δ_c[hvg])` 按分量 `f_m=s_m²/(s_m²+λ·s_1²)` 收缩后重构 `tilde=V@(f·w_c)`，加 `--pc-shrink`（默认 0）。机制关闭对照成立：λ=0 与父节点 20 逐元素一致（diff nnz=0，双向验证，通过 vec-check）。

**查分结果（X3 A 半 seed0，用 13/20）**：
- 机制生效但**净负**：λ↑ 单调提 covariation（44.62→47.02，+2.4，PLAN 目标组确实改善）但坍塌 cell_state（85.3→61.0），board 对所有 λ>0 单调下降（58.64/57.46/55.04/53.29/52.03），无净正区间。
- proj-norm 保范数补救失败（~56.9，仍低于父 59.60）。
- α 扫描（父建议 #3，正交维度）：α=1.5 已是峰值（1.0/1.25/**1.5**/1.75/2.0 = 58.03/59.28/**59.60**/58.99/57.86）。

**结论**：收缩低方差 PC 等价于减小位移幅度，沿 full-displacement↔copy_last 轴后退，与节点 21 同一 cov:cs 单调权衡（交换率极不利）。按父教训 #4，**提交默认 λ=0，逐元素还原节点 20**，如实记录 pc-shrink/proj-norm/α 三维度均净负或中性。

**下一步最值得试**：所有"减小型级/局部位移幅度"的操作都在同一权衡曲线上净负——应停止在该轴调参。真正有希望的是**不减小总位移、只改变扩张方向协变结构**的手段：如把局部扩张 ĝ_i 的目标从"型内 kNN 切向"改为"匹配目标阶段可推断的协变方向"（但目标阶段不可用，需从窗外 E14+ 或 prior 通路推晚期协变先验），或对 δ_c 做**基因级**而非 PC 级的结构重排以在保 cs 的同时提 cov。

调研员

rage and should be aborted early (after 2 queries). 2) Suppressing low-variance PC displacement could hurt de_recovery if DE genes load on those components. Monitor de_recovery in the scan; if it drops > 1 point, consider excluding DE-related PCs from shrinkage. 3) The cov gain may be < 2 points (noise). Use 3-seed paired diff to confirm direction consistency. 4) α scan is secondary; if λ_reg scan shows no cov improvement, skip α scan and report null result.",
  "family_id": "lowrank_shape",
  "mechanism": "Shrink the per-type displacement vector in PC space by variance-explained weight: low-variance PCs (noise-dominated) get their displacement component attenuated, high-variance PCs (covariance-carrying) are preserved. This regularizes the displacement direction to align with the data's dominant covariance structure.",
  "vs_constant_shift": "Not a constant shift: the shrinkage factor f_m varies by PC component based on the data's own singular value spectrum, and it modulates the *direction* of an existing per-type displacement in a structured, variance-dependent way. A constant shift would add the same vector to all cells of a type; here the type displacement's PC decomposition is selectively attenuated.",
  "mechanism_evidence": "1) Print f_m for each PC at the chosen λ_reg: expect a monotone decreasing sequence (top PCs f_m ≈ 1, bottom PCs f_m < 0.5). If all f_m ≈ 1, mechanism is inactive. 2) Count elements changed vs parent: expect > 100k nonzero differences (non-trivial perturbation). 3) Report per-group deltas (cov, cs, de, direction) separately. 4) Compare the PC-space displacement norm ||w̃_c|| vs ||w_c|| per type: expect reduction concentrated in types whose displacement loads on low-variance PCs.",
  "mechanism_off_control": "Set λ_reg = 0 (or --pc-shrink 0): all f_m = 1, w̃_c = w_c, output must be element-wise identical to parent node 20. Verify (A!=B).nnz == 0 on X3 A-half seed 0. This is a single flag change in the same program.",
  "sources": []
}
```