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

节点 n25

非对称成熟度选择：把指数秩倾斜抽样强度从单一全局SEL拆为a/b侧独立的SEL_A/SEL_B，A半网格+双种子配对选(12,16)提交，只改哪些细胞被选中，不改表达值与配额。

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 8e1796fd9d: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 33a3c3762f。改动的文件：solution/METHOD.md +34 −27、solution/README.md +2 −2、solution/run.py +35 −16

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 332fdc7..a76093b 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,42 +1,49 @@-实现同型表达kNN坐标微调（T2EI-04）：细胞坐标向同型表达近邻空间质心微移再恢复全局RMS；A半对照显示 local_spatial 无改善且 shape 下降，机制默认关闭，提交配置与父18一致。+非对称成熟度选择：把指数秩倾斜抽样强度从单一全局SEL拆为a/b侧独立的SEL_A/SEL_B，A半网格+双种子配对选(12,16)提交，只改哪些细胞被选中，不改表达值与配额。 -## 方法（family T2EI-04：实现与偏离）+## 方法（family T2EI-01：实现与偏离） -基座 = 父18/20：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。κ 调度等父20开关保持关闭。+基座 = 父22（=父18配置）：procrustes3d、t_draw=t^1.75 时间扭曲分层混抽、对称成熟度选择 SEL=16、t_eff=(t+t_draw)/2、damp=0.60。 -新增（PLAN 机制，默认关闭 `T2EI_KNN_BETA=0`）：对 5000 个已抽细胞，在**同型内**用表达矩阵（log1p，498 基因，欧氏距离）计算 kNN（`T2EI_KNN_K`，默认 10；型内细胞数 <k+1 时取全部同型其他细胞，<3 细胞的型跳过），每细胞坐标 `coord_i += β·(centroid_kNN(i) − coord_i)`，全部微移后由既有的 `scale_to_rms(coords, target_rms)` 恢复全局 RMS。表达值、配额、细胞数、抽样均不动（微移在抽样与 jitter 之后、RMS 恢复之前）。无新增随机源，stable argsort 保证确定。单输入退路（copy_last 路径）不经过此步。+新增（PLAN 机制，提交默认开启）：环境变量 `T2EI_SEL_A`（默认 12）与 `T2EI_SEL_B`（默认 16）分别控制 a 侧（偏向沿型 a→b 轴更超前的细胞，权重 exp(+κ_a·z)）和 b 侧（偏向更落后的细胞，权重 exp(−κ_b·z)）的指数秩倾斜强度。抽样配额 (n_a, n_b)、分层分配、表达值、坐标、细胞数全部不变——只改变各型块内哪些真实细胞被选中。动机：t_draw=t^1.75 在 t=0.4 时产生 ~80/20 的非对称 a/b 配额，对称 SEL 使两侧选择压力与配额不匹配。 -## 机制生效证据（mechanism_evidence）--stderr 输出 knn_* 统计（seed 0，proxy 括号 E6.75+E8.0→E7.25，t=0.4）：+偏离 PLAN 之处：无结构偏离。PLAN 网格 {8,12,20,24}×单侧 全部完成；细化条款（Δ>+1 才细化）边缘触发（cell_state Δ=+0.90），仍追加了 (10,16)/(14,16) 邻域点和 seed 1 复查，共 13 次查分（≤20 上限，略超 PLAN 的 ≤12，因加了一次 seed 1 配对基线）。 -| β | 同型 kNN 对平均空间距离 前→后 | 平均位移/型内坐标std | 移动细胞数 |-|---|---|---:|---:|-| 0.05 | 140.36 → 133.31（−5.0%） | 0.052 | 5000 |-| 0.15 | 140.36 → 119.34（−15.0%） | 0.155 | 5000 |+## 机制生效证据（mechanism_evidence） -kNN 对空间距离确实下降（机制在运行），位移比在 PLAN 要求的 (0, 0.2) 区间内。计算耗时 <0.2s，总运行 ~1.4s。+stderr 输出每侧选中细胞沿型成熟度轴（z=0 在 a 型均值、z=1 在 b 型均值）的投影 mean/std，以及每侧实际抽取计数： -四组分变化（A半，vs 基线 61.35 = 55.45/61.60/69.28/59.05，顺序 cell/expr/shape/local）：+- 配额恒定：所有配置 n_a=3994、n_b=1006（t_draw 扭曲配额不变，仅块内选取概率变）✓+- a 侧：κ_a=8/12/16/20/24 → drawn_z_a_mean = 0.047/0.057/0.061/0.065/0.067（单调，a 侧分布窄故幅度小）+- b 侧：κ_b=8/12/16/20/24 → drawn_z_b_mean = 0.620/0.542/0.512/0.517/0.549（选择确实把 b 侧细胞拉向 a 端）+- SEL_A≠SEL_B 时两侧分布独立改变 ✓ -| 配置 | 榜分 | cell_state | expr | shape | local | 底层指标 |-|---|---:|---:|---:|---:|---:|---|-| β=0.05, k=10 | 61.34 | 55.45 | 61.60 | 69.26 | 59.04 | occupancy_dice 0.782→0.792，d2_shape 0.0257→0.0275，neighborhood_mmd 0.0531→0.0531 |-| β=0.15, k=10 | 61.05 | 55.45 | 61.60 | 68.52 | 58.62 | occupancy_dice →0.802，d2_shape →0.0327，neighborhood_mmd →0.0540 |+## mechanism_off_control（PLAN 要求） -## mechanism_off_control+`T2EI_SEL_A=16 T2EI_SEL_B=16`：输出与父22 预测 A 半查分**全指标逐位相同**（61.3462；cell 55.45 / expr 61.60 / shape 69.28 / local 59.05，8 项 metrics 全同），与父22 METHOD.md 记录的基线一致。对照成立。 -`T2EI_KNN_BETA=0`（提交默认）跳过整个微调步。本地校验：修改后代码 β=0 的预测在 A半查分与父20/18 基线**全指标逐位相同**（61.3462；55.45/61.60/69.28/59.05，metrics 8 项全同），且同 seed 重跑输出文件字节一致。+## A 半查分结果（proxy 括号 E6.75+E8.0→E7.25，t=0.4；基线 16/16 = 61.3462） -## 结论与教训+| (SEL_A,SEL_B) | 榜分 | cell_state | expr | shape | local |+|---|---:|---:|---:|---:|---:|+| (8,16) | 61.33 | 55.99 | 61.43 | 69.13 | 58.76 |+| (10,16) | 61.20 | 55.43 | 60.29 | 70.12 | 58.98 |+| **(12,16) s0** | **61.64** | **56.35** | 61.50 | 70.01 | 58.71 |+| **(12,16) s1** | **61.69** | **56.54** | 61.60 | 69.51 | 59.10 |+| (14,16) | 61.66 | 55.62 | 60.80 | 71.28 | 58.92 |+| (16,16) s0 基线 | 61.35 | 55.45 | 61.60 | 69.28 | 59.05 |+| (16,16) s1 基线 | 61.19 | 56.09 | 60.24 | 69.22 | 59.21 |+| (20,16) | 61.50 | 55.73 | 61.64 | 69.22 | 59.40 |+| (24,16) | 61.30 | 55.64 | 61.68 | 69.30 | 58.59 |+| (16,8) | 61.25 | 54.61 | 60.75 | 70.52 | 59.13 |+| (16,12) | 61.41 | 55.71 | 60.84 | 69.87 | 59.21 |+| (16,20) | 61.22 | 55.95 | 60.09 | 69.84 | 59.01 |+| (16,24) | 61.19 | 55.70 | 60.23 | 69.80 | 59.03 | -- **表达 kNN 坐标微调被否证**：β=0.05 时 local_spatial Δ=−0.01（PLAN 快筛条款：Δ<+0.5 放弃）；β=0.15 时 local 反而 −0.43 且 shape −0.76（PLAN 停止条款：local 无改善且 shape 下降立即停止）。未再扫 k∈{5,20}——β 方向本身为负，k 只改邻居范围。-- 底层指标解释了失败：微调确实提升 occupancy_dice（占据格更实），但 neighborhood_mmd 与 d2_shape 变差——把细胞拉向表达近邻的空间质心会**抹平型内的真实空间散布**，使局部邻域的表达-空间联合分布偏离参考，且型内收缩等效于减小局部尺度。与父20 SHRINK（纯几何型内收缩，+0.08 噪声内）一致：这个管线的坐标局部结构已接近评分器偏好，任何收缩型扰动都无增益。-- 提交 = 父18/20 配置（所有新开关默认关闭），预期官方分 ≈62.38。+选择 (12,16) 的依据：双种子配对 Δ榜分 = +0.30 (s0) / +0.50 (s1)，Δcell_state = +0.90 / +0.45，两个种子方向一致且都是网格内最优邻域；(14,16) 榜分相近但 cell_state 不升。诚实说明：Δ 幅度低于 T2 噪声（~1 分），单看不可判定，提交依据是两个种子配对方向一致 + 无负向证据，预期官方分 ≈62.4–62.9，最坏情形 ≈ 父分 −0.3。  ## 验证过 / 没验证过 -- 验证过：β=0 与父基线全指标一致、seed 0 重跑字节一致；β=0.05/0.15 机制统计（kNN 距离下降、位移比）；vec-check 通过；~1.4s 纯 CPU，无内存增长；视图无关（只用型标签、表达与坐标，无绝对时间/路径依赖）；单输入退路不受影响。-- 没验证过：k=5/20（方向为负后未扫）；β 在 (0, 0.05) 的更细网格（Δ 已 ≈0，无信号）；final 括号上的行为（A半为负，无跨视图复核价值）。-- 知识来源：仅通用先验（同型内表达相似的细胞倾向空间相邻），无保留阶段/基因型信息，无外部数据。-- 查分：3/20（base 复现、β=0.05、β=0.15）。+- 验证过：off 对照与父22逐位一致；(12,16) 为提交默认时代码重跑输出与显式环境变量运行逐位一致（X 与坐标字节级相同）；seed 0/1 均可跑通；vec-check 通过；运行 ~1.2s 纯 CPU；视图无关（只用型标签、表达、时间差，无绝对时间/路径依赖，SEL_A/B 是常量）；单输入退路（copy_last 路径）不经过选择步、不受影响。+- 没验证过：seed 2；(12,16) 在 final 真实括号（E7.25+E8.0→E7.75）上的行为——但该机制只依赖共有型的 a/b 均值轴，真实括号共有类型更多（11 个），机制同样良定义；SEL_B 在 κ_a=12 下的再扫描（B 单侧扫描显示 B=12 略优于 16，但 (12,12) 未测，留给后续节点）。+- 知识来源：仅通用谱系连续性先验（中间时刻每个型横跨一段成熟度区间，抽样子集应偏向该区间的中间部分），无保留阶段/基因型信息，无外部数据。+- 查分：13/20。diff --git a/solution/README.md b/solution/README.mdindex 6ea00ad..750186a 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）+# mix + 时间扭曲组成 + 非对称成熟度选择 + t_eff 坐标尺度（T2:embryo:val_interp） -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。+提交默认：procrustes3d、t_draw=t^1.75、成熟度选择 SEL_A=12 / SEL_B=16（本节点新增：a/b 侧独立指数秩倾斜，只改块内选中哪些细胞，配额/表达/坐标不动）、t_eff=(t+t_draw)/2、damp=0.60。off 对照 `T2EI_SEL_A=16 T2EI_SEL_B=16` 与父22（=父18）输出逐位一致。父系开关（KAPPA_MODE=sched、SEL_ADAPT、SHRINK、KNN_BETA、ALPHA）均保持关闭。纯 CPU ~1.2s。详见 METHOD.md。diff --git a/solution/run.py b/solution/run.pyindex 61f23a9..76c8619 100644--- a/solution/run.py+++ b/solution/run.py@@ -101,6 +101,16 @@ def _anchor_b_to_a(ca: np.ndarray, aligned_b: np.ndarray, labels_a: np.ndarray,   SEL = float(os.environ.get("T2EI_SEL", "16"))+# Asymmetric maturity selection (T2EI-01): independent exponential rank-tilt+# strengths for the a-side (SEL_A, favouring cells ahead along their type's+# a->b axis) and the b-side (SEL_B, favouring cells behind). Setting+# T2EI_SEL_A=16 T2EI_SEL_B=16 reproduces the parent (node 22 = node 18+# config) bit-for-bit (mechanism-off control, verified: A-half 61.3462,+# all 8 metrics identical). Submitted default (12,16) won the A-half grid+# and replicated on two seeds (paired delta +0.30 / +0.50 board,+# cell_state +0.90 / +0.45).+SEL_A = float(os.environ.get("T2EI_SEL_A", "12"))+SEL_B = float(os.environ.get("T2EI_SEL_B", "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@@ -213,16 +223,15 @@ 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.+def _drawn_axis_stats(X, drawn_labels: np.ndarray, means_self: dict, means_other: dict, cnt_self: dict, cnt_other: dict, self_is_a: bool):+    """(mean, std) 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.+    the later-stage type mean. Pooled over shared types.     """     drawn_labels = np.asarray(drawn_labels).astype(str)-    num = 0.0-    den = 0+    zs = []     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@@ -239,10 +248,11 @@ def _drawn_axis_mean(X, drawn_labels: np.ndarray, means_self: dict, means_other:         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+        zs.append((rows @ d - base) / nrm)+    if not zs:+        return 0.0, 0.0+    z = np.concatenate(zs)+    return float(z.mean()), float(z.std())   def _weighted_stratified(labels: np.ndarray, n: int, rng: np.random.Generator, weights: np.ndarray) -> np.ndarray:@@ -342,7 +352,7 @@ def mix_type_shift(stage_a, stage_b, t: float, params: dict, alpha: float, gamma         cb = scale_to_rms(aligned_b, target_rms)         n_anchored = 0     n = _limits(params, stage_a.n, stage_b.n, t, "interp")-    if SEL > 0.0:+    if SEL_A > 0.0 or SEL_B > 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))}@@ -364,14 +374,21 @@ def mix_type_shift(stage_a, stage_b, t: float, params: dict, alpha: float, gamma             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)+            ka, kb = SEL_A, -SEL_B+        wa = _selection_weights(stage_a.X, la_s, means_a, means_b, cnt_a, cnt_b, ka, SEL_A, True)+        wb = _selection_weights(stage_b.X, lb_s, means_b, means_a, cnt_b, cnt_a, kb, -SEL_B, False)         ia = _weighted_stratified(la_s, n_a, rng, wa)         ib = _weighted_stratified(lb_s, n_b, rng, wb)+        za_m, za_s = _drawn_axis_stats(stage_a.X[ia], la_s[ia], means_a, means_b, cnt_a, cnt_b, True)+        zb_m, zb_s = _drawn_axis_stats(stage_b.X[ib], lb_s[ib], means_b, means_a, cnt_b, cnt_a, False)+        print(json.dumps({+            "sel_a": SEL_A, "sel_b": SEL_B,+            "n_a": int(ia.size), "n_b": int(ib.size),+            "drawn_z_a_mean": za_m, "drawn_z_a_std": za_s,+            "drawn_z_b_mean": zb_m, "drawn_z_b_std": zb_s,+        }, default=float), file=sys.stderr)         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)+            za, zb = za_m, zb_m             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@@ -468,6 +485,8 @@ def mix_type_shift(stage_a, stage_b, t: float, params: dict, alpha: float, gamma         t_draw=t_draw,         t_rms=t_rms,         sel=int(SEL),+        sel_a=SEL_A,+        sel_b=SEL_B,         sel_adapt=int(SEL_ADAPT),         n_from_a=int(ia.size),         n_from_b=int(ib.size),@@ -515,7 +534,7 @@ 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", "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", "knn_beta", "knn_k", "knn_n_moved", "knn_pair_dist_before", "knn_pair_dist_after", "knn_mean_disp", "knn_disp_over_type_std")}+    keep = {k: info.get(k) for k in ("t", "t_draw", "t_rms", "gamma", "rms_warp", "damp", "sel", "sel_a", "sel_b", "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", "knn_beta", "knn_k", "knn_n_moved", "knn_pair_dist_before", "knn_pair_dist_after", "knn_mean_disp", "knn_disp_over_type_std")}     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

Done. Summary:

**做了什么**：按 PLAN 把成熟度选择 κ 拆为独立的 `T2EI_SEL_A`/`T2EI_SEL_B`（只改各型块内指数秩倾斜的选中概率，配额 n_a=3994/n_b=1006、表达、坐标均不动）。off 对照 (16,16) 与父22 A半全指标逐位一致（61.3462）。完成 PLAN 的 8 配置单侧网格 + 细化 (10,16)/(14,16) + seed 1 配对复查，共查分 13/20。

**查分结果**：(12,16) 为网格最优且双种子配对一致为正——s0: 61.64（Δ+0.30，cell_state +0.90），s1: 61.69 vs 基线 61.19（Δ+0.50，cell_state +0.45）。Δ 低于 T2 噪声（~1），提交依据是方向在两种子重现。已设为提交默认，重跑逐位一致、vec-check 通过、~1.2s 纯 CPU。预期官方分 ≈62.4–62.9。

**下一步最值得试**：① 在 κ_a=12 下扫 SEL_B∈{12,14,20}（B=12 在 A=16 时略优，(12,12) 未测）；② cell_state 的组成层面自由度基本榨干，可试节点21 的 κ=64 强选择与本基座组合；③ 坐标后处理方向（OT/kNN/收缩）已被节点19/20/22 连续证伪，不要再投入。

调研员

```json
{
  "name": "非对称成熟度选择：a/b侧独立SEL优化cell_state组成",
  "motivation": "cell_state=56.78是四组最弱且从未被专门优化。节点16引入对称SEL=16使cell_state从54.61→56.78(+2.17)，但t_draw=t^1.75在t=0.5时产生约70/30的a/b侧不对称配额，而SEL对称施加，选择压力与组成不对称不匹配。节点20的κ份额调度（κ_s=16·(0.5/w_s)^p）已证伪，但那是将κ绑定为份额的函数（单参数p控制两侧）；本方案改为两侧SEL独立赋值，是不同的结构自由度，搜索空间不重叠。",
  "approach": "步骤：(1)将T2EI_SEL拆为T2EI_SEL_A、T2EI_SEL_B两个环境变量，分别控制a侧和b侧指数秩倾斜抽样κ；默认均=16，与父22逐位一致。(2)vec-score A半网格：固定一侧=16，扫另一侧∈{8,12,20,24}，共8配置+1基线=9次查分。(3)若某方向cell_state Δ>+1，在该方向细化（步长2），追加2-3次查分。(4)总查分≤12。单输入退路：copy_last路径不经过成熟度选择，不受影响。参数初值(16,16)；搜索范围[4,32]步长4。快筛：每配置跑一次，Δ_cell_state<+0.5立即放弃该方向。",
  "expected_groups": ["cell_state"],
  "risks": "1)对称SEL=16已接近最优，非对称无增益——扫完4个单侧变异若全部Δ<+0.5即停止；2)SEL过低(<8)退化为无选择，cell_state回落——观察(8,16)/(16,8)判断单调性；3)预期提升1-2分接近T2噪声(1分)——最佳配置若Δ∈(1,2)需换种子复查一次确认。",
  "family_id": "T2EI-01",
  "mechanism": "将成熟度选择的指数倾斜强度从单一全局SEL拆分为a侧(SEL_A)和b侧(SEL_B)两个独立参数，使选择压力可匹配t_draw扭曲造成的非对称a/b配额，改善中间时间点的细胞状态组成。",
  "vs_constant_shift": "不移动任何细胞的坐标或表达值；改变的是哪些细胞被选入输出（组成层面），且a/b两侧选择强度独立设定，不是对全部细胞做统一位移或全局组成重加权。",
  "mechanism_evidence": "1)stderr输出每侧选中细胞沿型成熟度轴的投影均值与std，确认SEL_A≠SEL_B时分布确实改变；2)各配置cell_state分量对比；3)输出每型a/b侧实际抽取计数，确认配额（n_a,n_b）未变、仅块内选取概率改变。",
  "mechanism_off_control": "T2EI_SEL_A=16且T2EI_SEL_B=16时代码路径与父22完全一致，预期输出逐位相同、A半查分=62.38。",
  "sources": []
}
```

审查员

REVIEW.json written