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

节点 n18

组合父16成熟度选择(κ=16)与节点17坐标尺度修正(t_eff=(t+t_draw)/2, damp=0.60)；PLAN型内SNR自适应κ已实现并对照，实测有害且SNR CV=0.23<0.3，按PLAN风险条款默认关闭。

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 8169a47fc5: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 907b2c5da5。改动的文件：solution/METHOD.md +26 −22、solution/README.md +2 −4、solution/run.py +66 −8

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 6075488..224b823 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,34 +1,38 @@-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。+组合父16成熟度选择(κ=16)与节点17坐标尺度修正(t_eff=(t+t_draw)/2, damp=0.60)；PLAN型内SNR自适应κ已实现并对照，实测有害且SNR CV=0.23<0.3，按PLAN风险条款默认关闭。 -## 方法（family T2EI-05 的实现与偏离）+## 方法（family T2EI-05：实现与偏离） -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：+基座 = 父节点 16：procrustes3d 对齐、t_draw=t^1.75 时间扭曲分层混抽真实细胞（表达+坐标同行）、成熟度选择 SEL=16（a 端偏向沿型轴 a→b 超前的细胞、b 端偏向落后的细胞，只改抽中哪些细胞、不改任何表达值）。本节点改动： -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）。+1. **步骤1（提交生效）**：坐标 RMS 插值时间从真实 t 改为 t_eff=(t+t_draw)/2（`T2EI_TEFF_MODE=mid`，默认），damp 0.5→0.60（`T2EI_DAMP` 默认 0.60）。即把节点 17 已验证的尺度修正（官方 shape_scale 69.03→70.25）与节点 16 已验证的选择机制（官方 cell_state +2.17）组合——两者一个只改坐标缩放、一个只改细胞选择，正交。proxy 实测 target_rms 149.2→146.4，scale_log_ratio −0.003（近 0）。+2. **步骤2（PLAN 机制，已实现，默认关闭 T2EI_SEL_ADAPT=0）**：型内自适应 κ。对每个两端共有型（各 ≥10 细胞）：d_c=m_b−m_a；把该型两阶段细胞投影到 d_c，σ_c=合并型内标准差（pooled within-stage std）；SNR_c=|d_c|/σ_c；κ_c=κ_base·clamp(SNR_c/median(SNR), 0.25, 2.0)。**先打印 SNR 分布：10 个共有型，SNR 3.57–8.04，CV=0.23 < 0.3**——PLAN 风险条款 1 命中（自适应近退化），仍按机制跑了一次对照查分。+3. **步骤3**：κ_base 细扫 {12,16,20,24}（PLAN 风险条款指定的替代方向）。 -## 结果（proxy A 半，seed 0，GAMMA=1.75 固定）+## 结果（proxy A 半，seed 0，GAMMA=1.75，t_eff/damp0.60 基座） -| SEL (κ) | 榜分 | cell_state | expr_change | shape | local_spatial |+| 配置 | 榜分 | cell_state | expr_change | shape_scale | local_spatial | |---|---:|---:|---:|---:|---:|-| 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 |+| SEL=0（≈节点17 A半复现） | 60.43 | 53.27 | 60.27 | 69.13 | 59.04 |+| **SEL=16 uniform（提交）** | **61.35** | 55.45 | 61.60 | 69.28 | 59.05 |+| SEL=16 adaptive（PLAN机制） | 61.08 | 55.41 | 61.22 | 69.29 | 58.41 |+| SEL=12 | 61.39 | 55.33 | 61.56 | 70.22 | 58.47 |+| SEL=20 | 61.31 | 55.42 | 61.03 | 69.77 | 59.03 |+| SEL=24 | 61.09 | 55.13 | 61.17 | 69.20 | 58.85 | -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）。+- 组合相对父16（A半 61.04）+0.31，全部来自 shape_scale（68.06→69.28），其余三组逐位不变（t_eff 只动坐标缩放）；相对节点17 A半（60.43）+0.92，来自 SEL。B 半官方分预期 ~62.3–62.4（父16 A→B 偏移 +1.03）。+- adaptive vs uniform：−0.27（de_direction 0.382→0.366，mmd_u 0.0107→0.0109），机制生效（99.4% 的行被换成不同细胞）但假设被否证：SNR 变异太小（乘子实际范围 0.53–1.20），把低 SNR 型的选择压平反而丢掉父节点验证过的增益。+- κ 细扫 12–20 平坦（61.31–61.39，差 <0.1 = 噪声），24 回落。保留父节点跨半验证过的 κ=16，不追 A 半 +0.05 的 κ=12 尖峰。 -## 机制对照证据+## 机制对照证据（mechanism_off_control） -- 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）。+- `T2EI_SEL_ADAPT=0`（提交默认）与 uniform κ=16 逐位相同（已本地验证）；`=1` 改变 99.4% 被抽中细胞，四组分变化：cell_state −0.04、expr_change −0.38、shape +0.01、local −0.64（A半）。+- `T2EI_TEFF_MODE=off T2EI_DAMP=0.5` 逐位复现父节点 16 逻辑（target_rms 149.228 与父记录 149.2 一致）；`T2EI_SEL=0`+t_eff 复现节点 17（A半 60.43 vs 官方 61.32，偏移与父16 A→B 一致）。+- 三层开关：选择层（SEL）、自适应层（SEL_ADAPT）、尺度层（TEFF_MODE/DAMP）各自独立可关。  ## 验证过 / 没验证过 -- 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。+- 验证过：默认参数输出与提交的 combo_s16 试跑逐位一致；seed 0 重跑逐位确定；seed 0/1/2 输出互异；vec-check 通过；n=5000、498 基因、~2s、纯 CPU；无括号退路（单输入→copy_last 分层抽样）不受本次改动影响，adaptive 不触发。+- 视图无关：只用时间差（t、t_draw、t_eff）与视图内数据，无绝对时间/路径/board 字段依赖。+- 没验证过：seed 1/2 查分（额度按 PLAN 限 6 次已用完）；final 括号（E7.25+E8.0→?，t=1/3）；SEL×GAMMA 交互。+- 知识来源：仅通用发育生物学（型内成熟度谱连续、坐标尺度随发育单调增长），无保留阶段/基因型信息，无外部数据。+- 查分：6/20。diff --git a/solution/README.md b/solution/README.mdindex f47a3a9..f56ff54 100644--- a/solution/README.md+++ b/solution/README.md@@ -1,5 +1,3 @@-# mix + 时间扭曲组成（T2:embryo:val_interp）+# mix + 时间扭曲组成 + 成熟度选择 + t_eff 坐标尺度（T2:embryo:val_interp） -父节点 2（mix，A半 56.42）之上把抽取比例从线性 t 改为 `t_draw = t^1.75`：坐标、RMS 缩放、细胞数、表达逻辑逐位沿用，只把混抽组成拉向早端括号阶段。proxy A半 60.12（seed 0/1/2 = 60.12/59.72/59.63），cell_state 36→53，local_spatial 54→59，代价 shape_scale 75→68。-PLAN 的型均值表达位移（T2EI-01）已实现（`T2EI_ALPHA` 开关，默认 0）：对照实测 alpha=0.5/1.0 把榜分打到 52.8/48.4，cell_state 反而降，故关闭；证据与四组分见 METHOD.md。-无括号时退路 = 父节点 copy_last 逻辑。纯 CPU，~2s，5000 细胞 × 498 基因。+父节点16（mix, t_draw=t^1.75, SEL=16 成熟度选择）之上组合节点17的坐标尺度修正：target_rms 用 t_eff=(t+t_draw)/2、damp=0.60 插值。PLAN 的型内 SNR 自适应 κ 已实现（T2EI_SEL_ADAPT），实测 SNR CV=0.23<0.3 且对照降分，默认关闭。κ 细扫 {12,16,20,24} 平坦，保留 κ=16。纯 CPU ~2s。详见 METHOD.md。diff --git a/solution/run.py b/solution/run.pyindex 5b3e60d..2c495ef 100644--- a/solution/run.py+++ b/solution/run.py@@ -62,7 +62,8 @@ def _pair_by_label(labels_expr: np.ndarray, labels_coord: np.ndarray, rng: np.ra     rng.shuffle(rem_coord)     perm[rem_expr] = rem_coord[: rem_expr.size]     return perm-DAMP = os.environ.get("T2EI_DAMP", "")+DAMP = os.environ.get("T2EI_DAMP", "0.60")+TEFF_MODE = os.environ.get("T2EI_TEFF_MODE", "mid")   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:@@ -100,6 +101,45 @@ def _anchor_b_to_a(ca: np.ndarray, aligned_b: np.ndarray, labels_a: np.ndarray,   SEL = float(os.environ.get("T2EI_SEL", "16"))+SEL_ADAPT = os.environ.get("T2EI_SEL_ADAPT", "0") == "1"+++def _rows(X, idx: np.ndarray) -> np.ndarray:+    sub = X[idx]+    return np.asarray(sub.todense() if hasattr(sub, "todense") else sub, dtype=np.float64)+++def _adaptive_kappas(Xa, la: np.ndarray, Xb, lb: np.ndarray, means_a: dict, means_b: dict, cnt_a: dict, cnt_b: dict, kappa_base: float) -> dict:+    """Per-type selection strength kappa_c = kappa_base * clamp(SNR_c / median(SNR), 0.25, 2.0).++    SNR_c = |m_b(c) - m_a(c)| / pooled within-stage std of the projection of the+    type's cells (both stages) onto the type axis d_c. Types whose developmental+    axis is clear relative to within-type scatter get sharper selection; noisy+    axes get flatter selection, avoiding over-selection on low-SNR types.+    Uses only view data and general lineage-continuity knowledge.+    """+    shared = [+        c for c in sorted(set(means_a) & set(means_b))+        if cnt_a.get(c, 0) >= MIN_TYPE_CELLS and cnt_b.get(c, 0) >= MIN_TYPE_CELLS+    ]+    snr: dict = {}+    for c in shared:+        d = (means_b[c] - means_a[c]).astype(np.float64)+        nrm = float(np.linalg.norm(d))+        if nrm < 1e-9:+            continue+        u = d / nrm+        pa = _rows(Xa, np.flatnonzero(la == c)) @ u+        pb = _rows(Xb, np.flatnonzero(lb == c)) @ u+        na, nb = pa.size, pb.size+        va = pa.var(ddof=1) if na > 1 else 0.0+        vb = pb.var(ddof=1) if nb > 1 else 0.0+        pooled = np.sqrt(((na - 1) * va + (nb - 1) * vb) / max(na + nb - 2, 1))+        snr[c] = nrm / max(pooled, 1e-9)+    if not snr:+        return {}+    med = float(np.median(list(snr.values())))+    return {c: kappa_base * float(np.clip(snr[c] / med, 0.25, 2.0)) for c in snr}   def _weighted_stratified(labels: np.ndarray, n: int, rng: np.random.Generator, weights: np.ndarray) -> np.ndarray:@@ -137,7 +177,7 @@ def _weighted_stratified(labels: np.ndarray, n: int, rng: np.random.Generator, 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:+def _selection_weights(X, labels: np.ndarray, means_self: dict, means_other: dict, cnt_self: dict, cnt_other: dict, kappa, kappa_base: 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@@ -163,9 +203,10 @@ def _selection_weights(X, labels: np.ndarray, means_self: dict, means_other: dic         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)+        rows = _rows(X, idx)         z = (rows @ d - base) / nrm-        w[idx] = np.exp(np.clip(kappa * z, -10.0, 10.0))+        k_c = float(kappa.get(c, kappa_base)) if isinstance(kappa, dict) else float(kappa)+        w[idx] = np.exp(np.clip(k_c * z, -10.0, 10.0))     return w  @@ -179,7 +220,16 @@ def mix_type_shift(stage_a, stage_b, t: float, params: dict, alpha: float, gamma     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_draw if rms_warp else t, damp)+    if rms_warp:+        t_rms = t_draw+    elif TEFF_MODE == "mid":+        # Coordinate-scale time sits halfway between the true target time and the+        # warped composition time: the drawn cloud is composition-shifted towards+        # stage a, so its RMS should not follow the full linear-t interpolation.+        t_rms = 0.5 * (t + t_draw)+    else:+        t_rms = t+    target_rms = log_interp(rms_a, rms_b, t_rms, damp)     ca = scale_to_rms(aligned_a, 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)@@ -196,8 +246,13 @@ def mix_type_shift(stage_a, stage_b, t: float, params: dict, alpha: float, gamma         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)+        if SEL_ADAPT:+            kap = _adaptive_kappas(stage_a.X, la_s, stage_b.X, lb_s, means_a, means_b, cnt_a, cnt_b, SEL)+            ka, kb = kap, {c: -v for c, v in kap.items()}+        else:+            ka, kb = SEL, -SEL+        wa = _selection_weights(stage_a.X, la_s, means_a, means_b, cnt_a, cnt_b, ka, SEL, True)+        wb = _selection_weights(stage_b.X, lb_s, means_b, means_a, cnt_b, cnt_a, kb, -SEL, False)         ia = _weighted_stratified(la_s, n_a, rng, wa)         ib = _weighted_stratified(lb_s, n_b, rng, wb)     else:@@ -270,6 +325,9 @@ def mix_type_shift(stage_a, stage_b, t: float, params: dict, alpha: float, gamma         n_anchored=int(n_anchored),         damp=damp,         t_draw=t_draw,+        t_rms=t_rms,+        sel=int(SEL),+        sel_adapt=int(SEL_ADAPT),         n_from_a=int(ia.size),         n_from_b=int(ib.size),         n_coord_from_b=n_coord_from_b,@@ -315,7 +373,7 @@ def main() -> None:     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, 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")}+    keep = {k: info.get(k) for k in ("t", "t_draw", "t_rms", "gamma", "rms_warp", "damp", "sel", "sel_adapt", "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

**做了什么**：在父节点 16（mix + t_draw=t^1.75 + 成熟度选择 SEL=16）上组合节点 17 的坐标尺度修正（t_eff=(t+t_draw)/2，damp=0.60），并按 PLAN 实现了型内 SNR 自适应 κ（T2EI_SEL_ADAPT 开关，off=逐位复现组合基线）。SNR 诊断 CV=0.23<0.3 命中 PLAN 风险条款，adaptive 实测反而降分，默认关闭；κ_base 细扫 {12,16,20,24} 平坦（61.39/61.35/61.31/61.09），保留 κ=16。

**查分（A 半，6/20）**：组合基线 61.35（父 61.04，shape_scale 68.06→69.28，其余组不变）；adaptive κ 61.08（否证）；SEL=0+t_eff 60.43（复现节点 17 的 A 半）。vec-check 通过，seed 确定，clean-env 逐位一致，~2s 纯 CPU。

**下一步最值得试**：SEL×GAMMA 二维小网格（κ 增大后最优 GAMMA 可能右移）；shape_scale 剩余损失在 d2_shape（0.026），可试保持表达-坐标同行耦合下的型内向质心轻微收缩（0.05–0.1）；κ=12 的 shape 70.22 尖峰值得在 seed 1/2 上复核后再决定是否切换。

调研员

ale +1.22) are orthogonal and uncombined
- **Structural gap**: global κ=16 over-selects in noisy-axis types (κ=32 drops to 60.60); per-type adaptive strength is the fix
- **Failed approaches to avoid**: alpha displacement, RMS warp, B_ANCHOR, COORD_T

```json
{
  "name": "SEL+t_eff组合加型内SNR自适应κ成熟度选择",
  "motivation": "父节点16的cell_state=56.78仍是最弱组；κ=32回落（61.04→60.60）说明全局κ在低信噪比型上过选。节点17的t_eff=(t+t_draw)/2+damp=0.60在shape_scale上+1.22（69.03→70.25），与SEL正交（一个改选哪些细胞，一个改坐标缩放），但两者从未组合。组合后基线预计~62.5-63；在此基础上加型内自适应κ攻cell_state。",
  "approach": "步骤1（~8min）：在父节点16代码上加入节点17的RMS缩放改动：T2EI_TEFF_MODE='mid'即t_eff=(t+t_draw)/2，scale_damp=0.60。SEL=16、GAMMA=1.75不变。vec-score验证，预期shape_scale从68.87升至~70，其余组不变。步骤2（~12min）：实现型内自适应κ。对每个两端共有型c（≥10细胞）：(a)算轴d_c=m_b(c)-m_a(c)；(b)将该型在两阶段的所有细胞投影到d_c，算型内投影标准差σ_c；(c)SNR_c=|d_c|/σ_c；(d)κ_c=κ_base×clamp(SNR_c/median(SNR), 0.25, 2.0)。用κ_c替代全局κ计算选择权重。κ_base初值16。环境变量T2EI_SEL_ADAPT=1启用，=0时退化为全局κ=16（逐位复现步骤1）。步骤3（~8min）：vec-score查分，比较adaptive vs uniform。若adaptive有效，试κ_base∈{20,24}（最多再查2次）。总查分预算≤6次。单输入阶段退路：无括号时取最近单阶段，自适应κ不触发（只有一端），等价于均匀抽样。",
  "expected_groups": ["cell_state", "shape_scale"],
  "risks": "1) 若所有型的SNR接近（变异系数<0.3），自适应κ退化为全局κ，无增益——Engineer先打印SNR分布，若CV<0.3则跳过步骤2，把剩余时间用于κ_base细扫{12,16,20,24}。2) t_eff/damp与SEL可能有微弱交互（坐标缩放改变型质心位置，影响z投影）——步骤1先验证组合基线与预期一致。3) 30分钟很紧：若步骤1耗时超预期，砍步骤2，只提交组合基线。4) 自适应κ可能反而在低SNR型上选到噪声细胞——设κ下限0.25×κ_base=4，不会完全关闭选择。",
  "family_id": "T2EI-05",
  "mechanism": "在成熟度选择中，用每型发育轴的信噪比（SNR=轴长/型内投影标准差）自适应调节选择强度κ：轴清晰的型选得更尖，轴噪声大的型选得更平，避免全局κ在低SNR型上过选。同时组合节点17的t_eff/damp修正坐标尺度。",
  "vs_constant_shift": "不改任何表达值，不做全局位移。机制改变的是型内哪些真实细胞被抽中，且选择强度按型的数据质量自适应变化——不同型的有效κ不同（范围4-32），不是统一的常数操作。",
  "mechanism_evidence": "1) 打印每型的SNR、κ_c和实际选中细胞的z分布，确认高SNR型κ更大、选中细胞z偏移更大；2) 对比uniform κ=16 vs adaptive的四组分，尤其cell_state；3) 若adaptive改变了选中的细胞集合（与uniform相比），记录changed_cell_fraction；4) shape_scale应因t_eff从68.87升至~70。",
  "mechanism_off_control": "T2EI_SEL_ADAPT=0时所有型用全局κ=16，输出应与步骤1（组合基线）逐位相同。T2EI_SEL=0时整个选择关闭，应逐位复现节点12输出（已有验证）。两层开关分别验证自适应层和选择层。",
  "sources": []
}
```

审查员

REVIEW.json written