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

节点 n20

实现 PLAN 的 κ 份额调度（T2EI_KAPPA_MODE=sched）并双向查分：p=±1 均低于对称 κ=16，机制默认关闭，提交配置与父18逐位一致。

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 d0fc654450: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 8169a47fc5。改动的文件：solution/METHOD.md +29 −25、solution/README.md +1 −1、solution/run.py +81 −2

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 224b823..3dcad8b 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,38 +1,42 @@-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。+实现 PLAN 的 κ 份额调度（T2EI_KAPPA_MODE=sched）并双向查分：p=±1 均低于对称 κ=16，机制默认关闭，提交配置与父18逐位一致。  ## 方法（family T2EI-05：实现与偏离） -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：+基座 = 父18：procrustes3d、t_draw=t^1.75 时间扭曲分层混抽、成熟度选择 SEL=16（对称）、t_eff=(t+t_draw)/2、damp=0.60。 -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）。+1. **sched κ 调度（PLAN 机制，已实现，默认关闭 `T2EI_KAPPA_MODE=sym`）**：κ_s = 16·(0.5/w_s)^p，w_s 为该侧本步抽样份额（w_a=n_a/n=0.7988、w_b=n_b/n=0.2012，含分层配额），clamp 到 [0.25×16, 4×16]=[4,64]；只改型内沿型轴 a→b 的抽样权重，配额、表达值、坐标全部不动。PLAN 的 approach 公式（份额小侧更强 → p>0）与 motivation 数字（κ_a≈64、κ_b≈4 → a 侧更强）方向相反，故用 p 的正负两个方向各查一次判定。+2. 探索性附加（均默认关闭）：`T2EI_SHRINK`（型内向质心坐标收缩）、`T2EI_GAMMA_RMS`（组成扭曲与 RMS 时间解耦），来自父18 ANALYSIS 的 next_suggestions，一并对照查分。 -## 结果（proxy A 半，seed 0，GAMMA=1.75，t_eff/damp0.60 基座）+## 机制生效证据（mechanism_evidence） -| 配置 | 榜分 | cell_state | expr_change | shape_scale | local_spatial |-|---|---:|---:|---:|---:|---:|-| 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 |+- (a) 实际 κ：p=+1 → κ_a=10.0、κ_b=39.8（无 clamp）；p=−1 → κ_a=25.6、κ_b=6.4；p=−2 → κ_b 触 4 下限（clamp 命中 b）。+- (b) 被抽细胞在型轴 a→b 上的投影均值（z=0 在 m_a、z=1 在 m_b）：sym（=sched p=0）z_a=0.0613、z_b=0.5122；p=+1 → z_a=0.0518、z_b=0.6446；p=−1 → z_a=0.0676、z_b=0.6754。两侧均确实移动，非零调度。注意权重 exp 内 clip(κz,±10)：κ_b 增大反而扩大饱和平台使 z_b 回升——κ_b=16 恰在裁剪交互下的锐利点。+- (c) 被换细胞比例：sched p=±1 相对 sym 输出 ~4970–4990/5000 行不同（99%+）。+- (d) 四组分（A半，vs 父18 基线 61.35 = 55.45/61.60/69.28/59.05）：+  | 配置 | 榜分 | cell_state | expr_change | shape | local |+  |---|---:|---:|---:|---:|---:|+  | sched p=+1（公式向） | 61.03 | 54.72 | 59.92 | 70.51 | 58.95 |+  | sched p=−1（动机向） | 60.79 | 53.89 | 60.60 | 69.69 | 58.97 |+  | shrink=0.075（型内坐标收缩） | 61.43 | 55.45 | 61.60 | 69.45 | 59.23 |+  | shrink=0.15 | 61.35 | 55.45 | 61.60 | 69.27 | 59.07 |+  | GAMMA=1.5 | 60.84 | 52.80 | 61.09 | 70.50 | 58.99 |+  | GAMMA=2.0 | 60.55 | 57.41 | 60.74 | 66.00 | 58.06 |+  | GAMMA=2.0 + GAMMA_RMS=1.75（解耦） | 61.04 | 57.41 | 60.74 | 67.95 | 58.06 | -- 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。+## mechanism_off_control -## 机制对照证据（mechanism_off_control）+`T2EI_KAPPA_MODE=sym`（提交默认）本地校验与父18输出**逐位一致**（X 与 spatial_3D 全等，seed 0）；sched p=0 亦逐位一致。sched 开启后 cell_state/expression_change 变化 ≥0.7–2.2 分但方向为负，机制生效但假设被否证。 -- `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。+## 结论与教训++- **非对称 κ 双向均被否证**：PLAN 公式向（b 侧更强）与动机向（a 侧更强）都低于对称 κ=16。原因：① 权重裁剪 clip(±10) 使大 κ 饱和成平台、选择反而变钝；② κ=16 对称点是该选择机制在裁剪交互下的实测最优，份额非对称（4:1）不构成修正理由。与父18「κ 12–20 平坦」一致：平坦区内改分配方式也无信号。+- **GAMMA=2.0 的 cell_state +1.96 不迁移**：expression_change/shape/local 合计 −3.2，RMS 解耦（GAMMA_RMS=1.75）只挽回 shape 1.9 分，净 −0.31。γ 与四组分存在权衡，1.75 是净最优附近。+- shrink 0.075 +0.08、0.15 +0.00，均 <1（噪声），不采用。+- 提交 = 父18 配置（sym 默认，所有新开关关闭），预期官方分 ≈62.38。  ## 验证过 / 没验证过 -- 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。+- 验证过：默认输出与父18逐位一致；seed 0 重跑确定；seed 1 输出不同；无括号退路（单输入→copy_last 分层抽样）不受改动影响，选择层/收缩层不触发；视图无关（只用份额、时间差与视图内数据，无绝对时间/路径/board 依赖）；vec-check 通过；~2s、纯 CPU。+- 没验证过：sched 在 seed 1/2 或 final 括号上的行为（A半两方向均 <−0.3，无跨 seed 复核价值）；shrink 与 GAMMA 的交互。 - 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。+- 查分：7/20（sched p=±1、shrink×2、GAMMA 1.5/2.0、解耦 GAMMA）。diff --git a/solution/README.md b/solution/README.mdindex f56ff54..6ea00ad 100644--- a/solution/README.md+++ b/solution/README.md@@ -1,3 +1,3 @@ # 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。+父18 配置为提交默认（procrustes3d、t_draw=t^1.75、SEL=16 对称成熟度选择、t_eff=(t+t_draw)/2、damp=0.60）。本节点按 PLAN 实现 κ 份额调度层（T2EI_KAPPA_MODE=sched，T2EI_KAPPA_P），双向查分均降分（61.03 / 60.79 vs 61.35 A半），默认关闭；sym 模式与父18输出逐位一致。附加探索（SHRINK、GAMMA_RMS）亦无增益、默认关闭。纯 CPU ~2s。详见 METHOD.md。diff --git a/solution/run.py b/solution/run.pyindex 2c495ef..cd8c70b 100644--- a/solution/run.py+++ b/solution/run.py@@ -102,6 +102,18 @@ 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"+# Constant-product kappa schedule (T2EI-05): kappa_s = SEL*(0.5/w_s)^P clamped+# to [0.25*SEL, 4*SEL], where w_s is that side's draw share this step+# (w_a = n_a/n, w_b = n_b/n from the warped quotas, including stratification).+# mode "sym" (default) keeps the uniform two-sided kappa=SEL and reproduces the+# parent submission bit-for-bit; mode "sched" activates the schedule.+KAPPA_MODE = os.environ.get("T2EI_KAPPA_MODE", "sym")+KAPPA_P = float(os.environ.get("T2EI_KAPPA_P", "1"))+# Mild within-type shrink of coordinates towards each drawn type's own centroid+# (expression-coordinate coupling kept row-wise; global RMS restored after).+SHRINK = float(os.environ.get("T2EI_SHRINK", "0"))+# Optional separate warp exponent for the coordinate-scale time (empty = use GAMMA).+GAMMA_RMS = os.environ.get("T2EI_GAMMA_RMS", "")   def _rows(X, idx: np.ndarray) -> np.ndarray:@@ -142,6 +154,38 @@ def _adaptive_kappas(Xa, la: np.ndarray, Xb, lb: np.ndarray, means_a: dict, mean     return {c: kappa_base * float(np.clip(snr[c] / med, 0.25, 2.0)) for c in snr}  +def _drawn_axis_mean(X, drawn_labels: np.ndarray, means_self: dict, means_other: dict, cnt_self: dict, cnt_other: dict, self_is_a: bool) -> float:+    """Mean maturity position (units of the a->b type axis) of drawn cells.++    Both sides are measured on the canonical earlier->later axis d = m_b - m_a:+    z = (x.d - m_a.d)/|d|^2, so z=0 at the earlier-stage type mean and z=1 at+    the later-stage type mean. Cell-count weighted over shared types.+    """+    drawn_labels = np.asarray(drawn_labels).astype(str)+    num = 0.0+    den = 0+    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(drawn_labels == c)+        if idx.size == 0:+            continue+        if self_is_a:+            d = (means_other[c] - means_self[c]).astype(np.float64)+            base = float(np.asarray(means_self[c], dtype=np.float64) @ d)+        else:+            d = (means_self[c] - means_other[c]).astype(np.float64)+            base = float(np.asarray(means_other[c], dtype=np.float64) @ d)+        nrm = float(d @ d)+        if nrm < 1e-9:+            continue+        rows = _rows(X, idx)+        z = (rows @ d - base) / nrm+        num += float(z.sum())+        den += int(idx.size)+    return num / den if den else 0.0++ 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)@@ -213,6 +257,8 @@ def _selection_weights(X, labels: np.ndarray, means_self: dict, means_other: dic 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+    gamma_rms = float(GAMMA_RMS) if GAMMA_RMS else gamma+    t_draw_rms = float(np.clip(t ** gamma_rms, 0.0, 1.0)) if gamma_rms != 1.0 else t     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)))@@ -221,12 +267,12 @@ def mix_type_shift(stage_a, stage_b, t: float, params: dict, alpha: float, gamma     rms_a = rms_radius(stage_a.coords)     rms_b = rms_radius(stage_b.coords)     if rms_warp:-        t_rms = t_draw+        t_rms = t_draw_rms     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)+        t_rms = 0.5 * (t + t_draw_rms)     else:         t_rms = t     target_rms = log_interp(rms_a, rms_b, t_rms, damp)@@ -246,15 +292,37 @@ 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+        w_a = n_a / max(int(n), 1)+        w_b = n_b / max(int(n), 1)         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()}+        elif KAPPA_MODE == "sched":+            lo, hi = 0.25 * SEL, 4.0 * SEL+            kap_a_raw = SEL * (0.5 / max(w_a, 1e-9)) ** KAPPA_P+            kap_b_raw = SEL * (0.5 / max(w_b, 1e-9)) ** KAPPA_P+            kap_a = float(np.clip(kap_a_raw, lo, hi))+            kap_b = float(np.clip(kap_b_raw, lo, hi))+            ka, kb = kap_a, -kap_b         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)+        if KAPPA_MODE == "sched":+            za = _drawn_axis_mean(stage_a.X[ia], la_s[ia], means_a, means_b, cnt_a, cnt_b, True)+            zb = _drawn_axis_mean(stage_b.X[ib], lb_s[ib], means_b, means_a, cnt_b, cnt_a, False)+            clamp_hit = [+                side for side, raw in (("a", kap_a_raw), ("b", kap_b_raw))+                if raw < 0.25 * SEL or raw > 4.0 * SEL+            ]+            print(json.dumps({+                "kappa_mode": "sched", "kappa_p": KAPPA_P,+                "w_a": w_a, "w_b": w_b,+                "kappa_a": ka, "kappa_b": kap_b, "clamp_hit": clamp_hit,+                "drawn_z_a": za, "drawn_z_b": zb,+            }, default=float), file=sys.stderr)     else:         ia, ib = mix_indices(stage_a.labels, stage_b.labels, t_draw, n, rng) @@ -310,6 +378,17 @@ def mix_type_shift(stage_a, stage_b, t: float, params: dict, alpha: float, gamma     else:         coords = np.vstack([p for p in (ca[ia], cb[ib]) if len(p)])     coords = _jitter(coords, rng)+    if SHRINK > 0.0:+        lab_e = np.concatenate([+            np.asarray(stage_a.labels).astype(str)[ia],+            np.asarray(stage_b.labels).astype(str)[ib],+        ])+        s = float(np.clip(SHRINK, 0.0, 0.5))+        for c in np.unique(lab_e):+            m = lab_e == c+            if m.sum() >= 2:+                cent = coords[m].mean(axis=0)+                coords[m] = cent + (1.0 - s) * (coords[m] - cent)     coords = scale_to_rms(coords, target_rms)     info.update(         t=t,

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：按 PLAN 在父18上实现成熟度选择的非对称化（κ_s=16·(0.5/w_s)^p，clamp [4,64]，`T2EI_KAPPA_MODE=sched`）。PLAN 的公式向与动机向自相矛盾，故双向各查一次。

**查分（A半，父18基线 61.35，用 7/20）**：sched p=+1 → 61.03（cell_state 54.72↓）、p=−1 → 60.79（53.89↓）——非对称 κ 双向均被否证；机制确实生效（κ_a/κ_b=10/40 与 26/6，99% 行被换，drawn_z 两侧均移动），但权重内 clip(±10) 使大 κ 饱和变钝，对称 κ=16 恰是最优点。附加探索：型内坐标收缩 +0.08（噪声）、GAMMA=2.0 的 cell_state +1.96 被其余三组 −3.2 抵消（RMS 解耦后仍 −0.31）。提交默认 = sym，与父18逐位一致，vec-check 通过，预期官方 ≈62.38。

**下一步最值得试**：cell_state 对 t_draw 敏感但与 expression/shape/local 强权衡（γ=2.0：+1.96/−3.2），单独调 γ 已到头；更有希望的是打破权衡本身——如仅对共有型的 b 侧细胞做组成内的"成熟度加权重采样"同时保持整体配额与坐标尺度不变，或转向 local_spatial（60.65，从未被针对性优化过）。

调研员

99/60.65/70.09），且自节点16以来未再提升。父16的 SEL 机制假设是'让 a 端抽超前细胞、b 端抽落后细胞以把混合表达拉向目标时刻'，但 κ=16 对两侧一视同仁，而 t_draw=t^1.75 使两侧份额极不对称（节点15记录：a 端 3994 vs b 端 1006，约 4:1）：b 端每个被抽中细胞对混合的贡献约 4 倍于 a 端，却承受同样的选择强度——过选会放大 b 端极端细胞的噪声，a 端则选择不足。这是选择机制内部的结构性失配，不是调参：修正后 κ_a≈64、κ_b≈4（t=0.5），且 κ 在 12–20 区间实测平坦（父18），说明平坦区内改变'分配方式'比改变'总量'更可能有信号。已否证方向不重复：型内 SNR 自适应 κ（SNR CV=0.23）、型均值表达位移 α>0（单调降分）均不采用。",
 "approach": "基座=父18 提交配置（procrustes3d、GAMMA=1.75、t_eff=mid、DAMP=0.60、uniform κ=16），只改选择层：新增环境变量 T2EI_KAPPA_MODE∈{sym(默认,逐位复现父18),sched} 与 T2EI_KAPPA_P（初值1，搜索{0.5,1,1.5}）。sched 模式：κ_a=16·(0.5/w_a)^p、κ_b=16·(0.5/w_b)^p，w_s 为该侧本步抽样份额（w_a=1−t_draw，含分层配额），并复用父18已有的 clamp(·,0.25×16,4×16) 安全界；κ 只决定型内沿型轴 a→b 抽哪一端的多，不改配额、不改任何表达值、不动坐标。单输入阶段退路不变（无括号→copy_last 分层抽样，选择层不触发）。查分流程：① 先在 n=1500 子采样上各跑一次确认实现无回归（不查分）；② vec-score 查 sched p=1（1次）；③ 若 Δcell_state≥1 再查 p∈{0.5,1.5}（≤2次）；④ 任何候选若 A 半领先 <1 分（=T2 噪声），换 seed 重查一次确认，不追尖峰；⑤ 最后跑 sym 对照确认与父18逐位一致（1次）。总查分预算 ≤8/20。视图无关：只用份额与型轴，无绝对时间/路径依赖。",
 "expected_groups": ["cell_state", "expression_change"],
 "risks": "① κ 平坦区（12–20）意味着选择强度本身不敏感，非对称化也可能无信号——第②步一次查分即可判定，Δcell_state<1 即止损，只提交 sym 对照；② b 端 κ 降到 4 等于放弃 b 端选择，若 b 端选择恰是当前增益主来源，会掉分——对照表里保留 p=0.5（κ_b≈11）区分；③ 份额随 t 变化，若本板 t 使 clamp 频繁触顶则调度退化为常数——Engineer 先打印 κ_a/κ_b 实际值；④ A/B 半偏移：沿用父18 经验（A→B 约 +1），只信分组方向与 ≥噪声的差值。",
 "family_id": "T2EI-05",
 "mechanism": "把固定 κ=16 换成按两侧抽样份额反比的常数积调度 κ_s=κ0·(0.5/w_s)^p：份额小的一侧选择更强、份额大的一侧选择更弱，使'每个被抽细胞携带的成熟度偏移量×其混合权重'在两侧均衡，只改抽中哪些真实细胞。",
 "vs_constant_shift": "不移动任何细胞的表达或坐标（α 型位移已被否证且关闭）；机制作用于'从真实细胞池里选谁'，且 κ 随时间/份额变化，不是每型一个常数位移，也不是全局组成重加权（两侧配额与细胞数逐位不变）。",
 "mechanism_evidence": "Engineer 打印：(a) 本步 κ_a、κ_b 实际值及 clamp 命中情况；(b) sched vs sym 下被抽细胞在型轴上的投影均值之差（a 端应更靠前、b 端应更靠后，且两侧加权后的平均成熟度更接近 t_draw 对应位置）；(c) 被换掉的细胞比例；(d) 四组分逐项对比，重点看 cell_state/expression_change 是否同向。若 (b) 差值≈0 说明调度未运行。",
 "mechanism_off_control": "T2EI_KAPPA_MODE=sym（或 p=0）即回到双侧 κ=16：要求与父18提交输出逐位一致（seed 0 本地校验，不耗查分）；预期 sched 开启后 cell_state/expression_change 变化 ≥1 分（噪声），其余两组在噪声内；若 sched 与 sym 逐位相同则机制未生效，需查份额计算。",
 "sources": []}
```

审查员

REVIEW.json written