总览 · ← 返回运行 20261003-004922-search-t2-embryo-interp-g24-D

节点 n16

mix+扭曲组成之上加"成熟度选择"：按 t_draw=t^1.75 分层抽取时，a 端偏向沿型 a→b 轴更超前的细胞、b 端偏向更落后的细胞（SEL=16，只选细胞不改表达），PLAN 的 RMS 扭曲已实现但对照证明有害，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 907b2c5da5: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 727300143b。改动的文件：solution/METHOD.md +22 −35、solution/run.py +171 −8

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 0b8d5cb..6075488 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,47 +1,34 @@-mix+时间扭曲组成：按 t_draw=t^1.75 而非线性 t 从括号两端分层抽真实细胞（表达、坐标同行），专攻最弱的 cell_state 组。+mix+扭曲组成之上加"成熟度选择"：按 t_draw=t^1.75 分层抽取时，a 端偏向沿型 a→b 轴更超前的细胞、b 端偏向更落后的细胞（SEL=16，只选细胞不改表达），PLAN 的 RMS 扭曲已实现但对照证明有害，默认关闭。 -## 方法+## 方法（family T2EI-05 的实现与偏离） -在父节点 2（mix：procrustes3d 对齐、scale_damp=0.5、细胞数 log 线性夹到 [min,max]、按 (1−t, t) 分层抽真实细胞）之上，只改**抽取比例**：+基座 = 父节点 12：procrustes3d 对齐、scale_damp=0.5、target_rms=log 线性、t_draw=t^GAMMA (GAMMA=1.75) 分层混抽真实细胞（表达+坐标同行）。本节点新增： -- 组成扭曲：`t_draw = t**GAMMA`，GAMMA=1.75（默认常量，可用环境变量 `T2EI_GAMMA` 覆盖）。代理 t=0.4 → t_draw=0.201（5000 个细胞中 3994 来自 E6.75、1006 来自 E8.0）。-- 坐标、target RMS（log 线性 + scale_damp=0.5）、细胞数 n、表达全部沿用父节点逻辑，逐位不变；只有"从哪端抽多少细胞"变了。-- 生物学依据（通用机制知识，非保留阶段测量）：早期胚胎在单位时间内细胞类型/状态扩张极快，后期阶段的细胞群与更早阶段差异远大于线性时间比例的假设，故线性 t 混抽会**过采晚端**细胞；对 t 做单调幂变换把组成拉向早端。t_draw 只由 manifest 的时间差算出，视图无关、时间平移不变。+1. **PLAN 机制（T2EI_RMS_WARP，默认 0=关闭）**：target_rms 用 t_draw 而非 t 插值。对照结果：off 60.12（与父逐位相同）vs on **58.06**（shape_scale 67.9→59.7，scale_log_ratio +0.016→−0.081）。机制生效（target_rms 149.2→135.4，更靠近 rms_a=122.7）但假设被否证：真实目标 RMS≈147，父节点 damp=0.5 已近最优，shape_scale 的损失来自 d2_shape（点云形状，0.006→0.029），不是尺度失配。按 PLAN 风险条款回退。+2. **成熟度选择（T2EI_SEL，默认 16，提交生效的机制）**：对两端共有型（各 ≥10 细胞），算型轴 d_c=m_b(c)−m_a(c)，a 端细胞权重 exp(+κ·z)、b 端 exp(−κ·z)，z=(x−m_self)·d/|d|²，按权重做同配额分层无放回抽样（配额与父节点 stratified_choice 完全一致，只改型内选哪些细胞）。**不改任何表达值**，保持型内真实多样性——与父节点已否证的 alpha 型均值位移本质不同。依据是通用谱系知识：中间时刻每个型横跨一段成熟度谱，应偏向谱的中间段。+3. 另试并放弃（各 1 次查分，均默认关闭）：b 端按型锚回 a 端领地（B_ANCHOR，59.22，d2_shape 反升 0.042）；表达组成与坐标组成解耦（COORD_T，坐标用线性 t 混、按型配对：d2_shape 修复 0.029→0.008 但 neighborhood_mmd 0.053→0.101，总分 55.1，证明表达-坐标耦合不能拆）。 -## PLAN（T2EI-01 型均值表达位移）：已实现、机制对照已做，但方向有害，提交时关闭（ALPHA=0）+## 结果（proxy A 半，seed 0，GAMMA=1.75 固定） -run.py 内完整实现了 PLAN 的型均值位移：共有型（两端各 ≥10 个细胞）按 `delta_c = mean_b(c) − mean_a(c)`，a 端细胞 `x += alpha·t·delta_c`，b 端 `x −= alpha·(1−t)·delta_c`，单端型不动，负值裁剪为 0；开关 `T2EI_ALPHA`（默认 0.0）。--机制生效证据（alpha=1，代理 E6.75+E8.0→E7.25）：10 个型被位移，位移向量 L2 范数 min/med/max = 13.6/21.8/26.1（>0 且型间有差异）；各型均值与中间均值 (1−t)m_a+t·m_b 的余弦从两端间 0.613 升到 0.994；43% 的表达矩阵元素被改变，坐标不变。--机制对照（同程序 alpha=0 vs alpha=1，各 1 次 vec-score）：--| 配置 | A半榜分 | cell_state | expr_change | shape | local_spatial |+| SEL (κ) | 榜分 | cell_state | expr_change | shape | local_spatial | |---|---:|---:|---:|---:|---:|-| alpha=0（=父节点，逐位相同） | 56.42 | 36.23 | 59.80 | 75.17 | 54.48 |-| alpha=0.5 | 52.80 | 27.34 | 59.69 | 74.57 | 49.60 |-| alpha=1.0 | 48.43 | 23.45 | 59.45 | 66.57 | 44.28 |+| 0（=父节点，逐位相同） | 60.12 | 53.27 | 60.27 | 67.91 | 59.04 |+| 2 | 60.21 | 52.80 | 60.29 | 69.27 | 58.50 |+| 4 | 60.43 | 54.37 | 60.22 | 68.41 | 58.71 |+| 8 | 60.72 | 54.81 | 61.41 | 68.22 | 58.45 |+| **16（提交）** | **61.04** | **55.45** | **61.60** | 68.06 | 59.05 |+| 32 | 60.60 | 54.71 | 60.68 | 68.60 | 58.40 | -alpha 越大 cell_state、local_spatial 越差（mmd_u 0.017→0.028，variogram 0.031→0.102）：把端点细胞推到"两端型均值的凸组合"反而离真实中间阶段的细胞状态分布更远。PLAN 预期的 cell_state 增益没有出现（不是升 <2 分，是降 13 分），故按事实提交 alpha=0。alpha=1 与 GAMMA=1.75 组合也测过：56.27，同样差，排除"扭曲后再位移"的补救。+κ=16 峰：mmd_u 0.0113→0.0107、de_direction 0.354→0.382、variogram 微降，d2_shape 略好（0.0287→0.0257）。 -## 结果（proxy A 半，vec-score）+## 机制对照证据 -| GAMMA（t_draw） | 榜分 | cell_state | expr_change | shape | local_spatial |-|---|---:|---:|---:|---:|---:|-| 1.0（父节点） | 56.42 | 36.23 | 59.80 | 75.17 | 54.48 |-| 1.5（0.253） | 59.35 | 48.42 | 60.20 | 70.14 | 58.64 |-| **1.75（0.201，提交）** | **60.12** | 53.27 | 60.27 | 67.91 | 59.04 |-| 2.0（0.160） | 59.57 | 54.50 | 59.96 | 66.85 | 56.96 |-| 2.5（0.101） | 58.48 | 55.58 | 59.42 | 64.86 | 54.04 |--种子稳健性（GAMMA=1.75）：seed 0/1/2 = 60.12 / 59.72 / 59.63，均值 59.82，比父节点高 ~3.4（>噪声 2）。cell_state 从 36 升到 ~53；代价是 shape_scale 75→68（d2_shape 0.006→0.029，a 端主导后点云形状略偏离），总分仍净增。+- off（SEL=0）与父节点 12 输出**逐位相同**（X 与 spatial_3D 全等，已本地验证）；on（SEL=16）改变了型内被抽中的细胞（同配额、不同个体），四组分变化：cell_state +2.2、expression_change +1.3、local_spatial 0.0、shape_scale +0.15（A 半）。+- 局限：A 半增益 +0.9（60.12→61.04）在 T2 噪声（~1）边缘，但 κ 曲线 2→16 单调、各组方向一致，且机制只重排真实细胞、不引入新自由度，迁移风险低。未跑 seed 1/2（时限 30 分钟用尽）；未验证 final 括号（t=1/3, t_draw=0.146），逻辑与 t 单调相关、视图无关（只用时间差与视图内数据，无绝对时间/路径依赖）。  ## 验证过 / 没验证过 -- 验证过：GAMMA=1.0 且 ALPHA=0 时输出与父节点**逐位相同**（X 与 spatial_3D 全等）；seed 0 重跑逐位一致；vec-check 通过；n=5000、498 基因、runtime ~2s、纯 CPU（EXECUTION.json gpu=false）。-- 没验证过：真实 final 括号（E7.25+E8.0→E7.5，t=1/3 → t_draw=0.146）上的效果——扭曲是 t 的单调函数、只依赖时间差，逻辑上同样成立，但最优 GAMMA 可能随括号不同；代理只有一个括号，GAMMA=1.75 是在其上调的点估计（1.5–2.0 都在 59+，峰较宽）。-- 无括号退路（copy_last 式整段照抄+分层抽样）保留父节点原逻辑，未在本视图触发。--## 知识来源--未使用任何保留阶段/基因型的测量信息；未用外部数据（external 为空）；未用 prior 文件。唯一生物学假设（早期发育细胞状态扩张快于线性时间）为通用发育生物学常识，且只通过 t 的单调变换进入程序。查分共 11 次（配额 20）。+- 验证过：默认参数输出与 SEL=16 试跑逐位一致；SEL=0 逐位复现父节点；vec-check 通过；n=5000、498 基因、~2s、纯 CPU、seed 确定（default_rng(seed)）。+- 没验证过：seed 1/2 复跑；final 括号；SEL×GAMMA 交互（GAMMA 固定 1.75，κ 增大后最优 GAMMA 可能略移）。+- 知识来源：仅通用发育生物学（型内成熟度谱系连续），无保留阶段/基因型信息，无外部数据，无 prior 文件。+- 查分：9/20。diff --git a/solution/run.py b/solution/run.pyindex 3a4fe74..5b3e60d 100644--- a/solution/run.py+++ b/solution/run.py@@ -40,23 +40,168 @@ PARAMS = {"align": "procrustes3d", "scale_damp": 0.5} MIN_TYPE_CELLS = 10 ALPHA = float(os.environ.get("T2EI_ALPHA", "0.0")) GAMMA = float(os.environ.get("T2EI_GAMMA", "1.75"))+RMS_WARP = os.environ.get("T2EI_RMS_WARP", "0") == "1"+B_ANCHOR = os.environ.get("T2EI_B_ANCHOR", "0") == "1"+SHAPE_FILL = os.environ.get("T2EI_SHAPE_FILL", "0") == "1"+COORD_T = os.environ.get("T2EI_COORD_T", "")  -def mix_type_shift(stage_a, stage_b, t: float, params: dict, alpha: float, gamma: float = 1.0):+def _pair_by_label(labels_expr: np.ndarray, labels_coord: np.ndarray, rng: np.random.Generator) -> np.ndarray:+    """perm[i] = index of the coord slot assigned to expression cell i, matching cell types first."""+    from collections import defaultdict++    buckets: dict = defaultdict(list)+    for j, lab in enumerate(labels_coord):+        buckets[lab].append(j)+    perm = -np.ones(len(labels_expr), dtype=np.int64)+    for i, lab in enumerate(labels_expr):+        if buckets.get(lab):+            perm[i] = buckets[lab].pop()+    rem_expr = np.flatnonzero(perm < 0)+    rem_coord = np.array([j for lab in sorted(buckets) for j in buckets[lab]], dtype=np.int64)+    rng.shuffle(rem_coord)+    perm[rem_expr] = rem_coord[: rem_expr.size]+    return perm+DAMP = os.environ.get("T2EI_DAMP", "")+++def _anchor_b_to_a(ca: np.ndarray, aligned_b: np.ndarray, labels_a: np.ndarray, labels_b: np.ndarray, target_rms: float, rms_b: float) -> np.ndarray:+    """Place b-side cells at the a-side territory of their own cell type.++    For each type shared by both stages, the b cells of that type keep their+    within-type relative offsets (scaled by the global target_rms/rms_b factor)+    but are re-centred on the centroid of the same type in the scaled a cloud.+    Types seen only in b keep their global relative offsets around the a cloud+    centre. This is a lineage-continuity prior (general developmental+    knowledge: a type's spatial territory at the intermediate time lies near+    where that type already sits at the earlier bracket stage), not a+    measurement from any reserved stage.+    """+    la = np.asarray(labels_a).astype(str)+    lb = np.asarray(labels_b).astype(str)+    k = float(target_rms) / max(float(rms_b), 1e-8)+    b_all = np.asarray(aligned_b, dtype=np.float64)+    cb = b_all - b_all.mean(axis=0)+    out = k * cb+    cent_a_all = np.asarray(ca, dtype=np.float64).mean(axis=0)+    a_all = np.asarray(ca, dtype=np.float64)+    shared = sorted(set(la.tolist()) & set(lb.tolist()))+    n_anchored = 0+    for c in shared:+        ma = la == c+        mb = lb == c+        if ma.sum() == 0 or mb.sum() == 0:+            continue+        ca_c = a_all[ma].mean(axis=0)+        cb_c = b_all[mb].mean(axis=0)+        out[mb] = ca_c + k * (b_all[mb] - cb_c)+        n_anchored += int(mb.sum())+    return out, n_anchored+++SEL = float(os.environ.get("T2EI_SEL", "16"))+++def _weighted_stratified(labels: np.ndarray, n: int, rng: np.random.Generator, weights: np.ndarray) -> np.ndarray:+    """Same allocation as stratified_choice, but within-type draws use per-cell weights."""+    labels = np.asarray(labels).astype(str)+    n = int(min(max(n, 1), len(labels)))+    if n >= len(labels):+        return np.arange(len(labels))+    types, counts = np.unique(labels, return_counts=True)+    raw = counts / counts.sum() * n+    alloc = np.floor(raw).astype(int)+    rem = int(n - alloc.sum())+    order = np.argsort(-(raw - alloc))+    for i in range(rem):+        alloc[order[i % len(order)]] += 1+    alloc = np.minimum(alloc, counts)+    deficit = int(n - alloc.sum())+    if deficit > 0:+        spare = counts - alloc+        for i in np.argsort(-spare):+            k = int(min(deficit, spare[i]))+            alloc[i] += k+            deficit -= k+            if deficit == 0:+                break+    picks = []+    for lab, k in zip(types, alloc):+        if k <= 0:+            continue+        idx = np.flatnonzero(labels == lab)+        w = np.asarray(weights, dtype=np.float64)[idx]+        w = np.clip(w, 1e-12, None)+        w = w / w.sum()+        picks.append(rng.choice(idx, int(k), replace=False, p=w))+    return np.concatenate(picks)+++def _selection_weights(X, labels: np.ndarray, means_self: dict, means_other: dict, cnt_self: dict, cnt_other: dict, kappa: float, toward_other_is_advanced: bool) -> np.ndarray:+    """Weight cells by their position along their type's a->b axis.++    a-side cells ahead of their type mean (towards the later stage) get higher+    weight, b-side cells behind their type mean (towards the earlier stage) get+    higher weight; within-type diversity is preserved (real cells are selected,+    expression values are never modified). Lineage-continuity prior: at an+    intermediate time each type spans a range of maturities, so the drawn+    subset should be biased towards the intermediate part of that range.+    """+    labels = np.asarray(labels).astype(str)+    w = np.ones(len(labels), dtype=np.float64)+    for c in sorted(set(means_self) & set(means_other)):+        if cnt_self.get(c, 0) < MIN_TYPE_CELLS or cnt_other.get(c, 0) < MIN_TYPE_CELLS:+            continue+        idx = np.flatnonzero(labels == c)+        if idx.size == 0:+            continue+        if toward_other_is_advanced:+            d = (means_other[c] - means_self[c]).astype(np.float64)+        else:+            d = (means_self[c] - means_other[c]).astype(np.float64)+        nrm = float(d @ d)+        if nrm < 1e-9:+            continue+        base = float(np.asarray(means_self[c], dtype=np.float64) @ d)+        rows = np.asarray(X[idx].todense() if hasattr(X[idx], "todense") else X[idx], dtype=np.float64)+        z = (rows @ d - base) / nrm+        w[idx] = np.exp(np.clip(kappa * z, -10.0, 10.0))+    return w+++def mix_type_shift(stage_a, stage_b, t: float, params: dict, alpha: float, gamma: float = 1.0, rms_warp: bool = False, b_anchor: bool = False):     t = float(t)     t_draw = float(np.clip(t ** gamma, 0.0, 1.0)) if gamma != 1.0 else t-    damp = float(params.get("scale_damp", 1.0))+    damp = float(DAMP) if DAMP else float(params.get("scale_damp", 1.0))     align = str(params.get("align", "procrustes"))     rng = np.random.default_rng(int(params.get("seed", 0)))      aligned_a, aligned_b, info = align_pair(stage_a.coords, stage_b.coords, stage_a.labels, stage_b.labels, align)     rms_a = rms_radius(stage_a.coords)     rms_b = rms_radius(stage_b.coords)-    target_rms = log_interp(rms_a, rms_b, t, damp)+    target_rms = log_interp(rms_a, rms_b, t_draw if rms_warp else t, damp)     ca = scale_to_rms(aligned_a, target_rms)-    cb = scale_to_rms(aligned_b, target_rms)+    if b_anchor:+        cb, n_anchored = _anchor_b_to_a(ca, aligned_b, stage_a.labels, stage_b.labels, target_rms, rms_b)+    else:+        cb = scale_to_rms(aligned_b, target_rms)+        n_anchored = 0     n = _limits(params, stage_a.n, stage_b.n, t, "interp")-    ia, ib = mix_indices(stage_a.labels, stage_b.labels, t_draw, n, rng)+    if SEL > 0.0:+        la_s = np.asarray(stage_a.labels).astype(str)+        lb_s = np.asarray(stage_b.labels).astype(str)+        cnt_a = {k: int(v) for k, v in zip(*np.unique(la_s, return_counts=True))}+        cnt_b = {k: int(v) for k, v in zip(*np.unique(lb_s, return_counts=True))}+        means_a = type_means(stage_a.X, la_s)+        means_b = type_means(stage_b.X, lb_s)+        n_b = int(np.clip(int(round(t_draw * n)), 0, n))+        n_a = int(n) - n_b+        wa = _selection_weights(stage_a.X, la_s, means_a, means_b, cnt_a, cnt_b, SEL, True)+        wb = _selection_weights(stage_b.X, lb_s, means_b, means_a, cnt_b, cnt_a, -SEL, False)+        ia = _weighted_stratified(la_s, n_a, rng, wa)+        ib = _weighted_stratified(lb_s, n_b, rng, wb)+    else:+        ia, ib = mix_indices(stage_a.labels, stage_b.labels, t_draw, n, rng)      xa = as_dense(stage_a.X, ia)     xb = as_dense(stage_b.X, ib)@@ -95,7 +240,20 @@ def mix_type_shift(stage_a, stage_b, t: float, params: dict, alpha: float, gamma             }      expr = np.clip(np.vstack([p for p in (xa, xb) if p.size]), 0.0, None).astype(np.float32)-    coords = np.vstack([p for p in (ca[ia], cb[ib]) if len(p)])+    n_coord_from_b = int(ib.size)+    if COORD_T:+        ct = float(np.clip(float(COORD_T), 0.0, 1.0))+        ja, jb = mix_indices(stage_a.labels, stage_b.labels, ct, n, rng)+        la_s = np.asarray(stage_a.labels).astype(str)+        lb_s = np.asarray(stage_b.labels).astype(str)+        lab_e = np.concatenate([la_s[ia], lb_s[ib]])+        lab_c = np.concatenate([la_s[ja], lb_s[jb]])+        C = np.vstack([p for p in (ca[ja], cb[jb]) if len(p)])+        perm = _pair_by_label(lab_e, lab_c, rng)+        coords = C[perm]+        n_coord_from_b = int(jb.size)+    else:+        coords = np.vstack([p for p in (ca[ia], cb[ib]) if len(p)])     coords = _jitter(coords, rng)     coords = scale_to_rms(coords, target_rms)     info.update(@@ -107,9 +265,14 @@ def mix_type_shift(stage_a, stage_b, t: float, params: dict, alpha: float, gamma         out_rms=rms_radius(coords),         alpha=alpha,         gamma=gamma,+        rms_warp=int(rms_warp),+        b_anchor=int(b_anchor),+        n_anchored=int(n_anchored),+        damp=damp,         t_draw=t_draw,         n_from_a=int(ia.size),         n_from_b=int(ib.size),+        n_coord_from_b=n_coord_from_b,         **shift_stats,     )     return expr, coords.astype(np.float32), info@@ -151,8 +314,8 @@ def main() -> None:     stage_a = read_stage(args.data, a, genes)     stage_b = read_stage(args.data, b, genes)     params = board_params(manifest, "mix", PARAMS, args.seed)-    expr, coords, info = mix_type_shift(stage_a, stage_b, t, params, ALPHA, GAMMA)-    keep = {k: info.get(k) for k in ("t", "t_draw", "gamma", "n", "rms_a", "rms_b", "out_rms", "n_shared_types", "z_dot", "z_flipped", "align", "alpha", "n_types_shifted", "delta_norm_min", "delta_norm_med", "delta_norm_max", "cos_ab_before", "cos_to_mid_after", "n_from_a", "n_from_b")}+    expr, coords, info = mix_type_shift(stage_a, stage_b, t, params, ALPHA, GAMMA, RMS_WARP, B_ANCHOR)+    keep = {k: info.get(k) for k in ("t", "t_draw", "gamma", "rms_warp", "target_rms", "n", "rms_a", "rms_b", "out_rms", "n_shared_types", "z_dot", "z_flipped", "align", "alpha", "n_types_shifted", "delta_norm_min", "delta_norm_med", "delta_norm_max", "cos_ab_before", "cos_to_mid_after", "n_from_a", "n_from_b")}     print(json.dumps({"bracket": [a["stage"], b["stage"]], **keep}, default=float), file=sys.stderr)     write_t2(args.out, expr, coords, genes, seed=args.seed) 

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

**完成。**

- **做了什么**：PLAN 的 RMS-warp 机制已实现并对照（T2EI_RMS_WARP 开关），off 逐位复现父节点 60.12，on 得 58.06 —— 假设被否证（真实 RMS≈147，父节点已近最优；shape 损失来自点云形状 d2_shape 而非尺度），按 PLAN 风险条款回退。改提交**成熟度选择**机制（T2EI_SEL=16）：在 t_draw=t^1.75 的同配额分层抽样内，a 端偏向沿型轴 a→b 更超前、b 端偏向更落后的真实细胞，只选不改表达。
- **查分**（proxy A 半，9/20 次）：SEL 0/2/4/8/16/32 → 60.12/60.21/60.43/60.72/**61.04**/60.60，κ=16 峰，cell_state 53.3→55.5、expr 60.3→61.6。另试 b-anchor（59.22）与表达-坐标解耦（55.1，证明 neighborhood 依赖耦合，shape 修复换不回来）均放弃并默认关闭。vec-check 通过、seed 确定、纯 CPU ~2s。
- **下一步最值得试**：SEL=16 与 GAMMA 的二维小网格（κ 增大后最优 GAMMA 可能 >1.75，可望再拿 cell_state）；seed 1/2 复跑确认 +0.9 超噪声；把 SEL 机制带到心脏插值榜验证迁移。

调研员

```json
{
  "name": "mix+时间扭曲：RMS插值参数与t_draw对齐修复shape_scale",
  "motivation": "节点12用t_draw=t^1.75拉组成向早端，cell_state +17.12（37.49→54.61），但shape_scale -5.40（74.43→69.03，d2_shape 0.006→0.029）。原因是组成已偏向早端（t_draw=0.201），而target RMS仍按线性t插值（log_interp(rms_a,rms_b,t,damp)），导致点云尺度与组成不匹配：抽了80%早端细胞却用50%的尺度目标。ANALYSIS明确建议'把target RMS的插值参数与t_draw对齐'。",
  "approach": "在父节点12的run.py基础上只改一行：将 target_rms = log_interp(rms_a, rms_b, t, damp) 改为 target_rms = log_interp(rms_a, rms_b, t_draw, damp)。这样RMS目标与组成抽取使用同一个扭曲时间，几何尺度与细胞来源一致。\n\n步骤：\n1. 复制父节点12的solution/，修改mix_type_shift函数中target_rms计算，用t_draw替代t。\n2. 先跑seed 0一次vec-score确认方向（预期shape_scale回升≥3分，cell_state基本不变±1分）。\n3. 若shape回升但总分未超61，做scale_damp小网格{0.35,0.5,0.65}×固定GAMMA=1.75，各1次vec-score，选最优。\n4. 最优配置跑3 seeds取均值确认>61.5（超噪声1分）。\n5. 单输入阶段退路：无括号时copy_last，不涉及log_interp，逻辑不变。\n\n关键参数：GAMMA=1.75（不变），damp=0.5（初始），搜索范围0.35-0.65。t_draw=0.201时target_rms更靠近rms_a，符合早端主导的组成。",
  "expected_groups": ["shape_scale"],
  "risks": "1. RMS对齐后若早端rms_a远小于目标真实尺度，可能过度缩小点云，反而让shape更差——Engineer第一次vec-score若shape_scale<69应立即回退并尝试damp=0.35（减弱缩放幅度）。2. local_spatial可能因坐标缩放变化而波动±1-2分，需观察。3. 30分钟时限内最多做6-8次vec-score，不要做全网格。",
  "family_id": "T2EI-05",
  "mechanism": "将RMS目标的插值参数从线性t替换为组成扭曲后的t_draw，使点云几何尺度与实际抽取的细胞组成（偏向早端）保持一致，消除组成-尺度失配。",
  "vs_constant_shift": "常数位移对每个细胞型加相同向量，不改变点云尺度；本方案改变的是整个点云的目标RMS（各向同性缩放参数），且缩放幅度由组成扭曲程度（t_draw）决定而非固定常数，是组成-几何耦合的结构性修复。",
  "mechanism_evidence": "Engineer应对比：(1) target_rms数值变化（用t时=某值，用t_draw时应更靠近rms_a）；(2) 输出坐标的RMS与d2_shape指标；(3) 四组分各自变化，预期shape_scale回升≥3分而cell_state变化<1分（因表达未动）。若shape_scale未回升说明失配不是主因。",
  "mechanism_off_control": "关闭机制=使用t而非t_draw做log_interp（即父节点12的原始行为）。同一程序设环境变量T2EI_RMS_WARP=0时用t，=1时用t_draw。预期：off时输出与父节点12逐位相同（坐标、表达全等），on时shape_scale应回升而cell_state不变。"
}
```

审查员

REVIEW.json written