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

节点 n15

mix 基座上实现 PLAN 的型丰度趋势加权抽取（T2EI-01：按两阶段丰度对数比 lr(c) 调型特异 t_draw(c)，γ 控强度）；机制确认触发（lr_std=0.94、38% 类型 |lr|>0.3、t_draw CV=0.52）但代理双向否决（γ=+0.3/0.6/1.0 的 cell_state 单调降至 51.8/51.63/49.89，γ=−0.6 升 cell_state

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 4a697759b5: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 673961da9b。改动的文件：solution/METHOD.md +53 −47、solution/run.py +91 −5

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex d5e2583..74baeac 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,69 +1,75 @@-mix 基座上实现 PLAN 的型心坐标时间插值（T2EI-04：共有类型坐标簇刚性平移到 μ_T=(1−t)μ_a+t·μ_b 的 δ 倍位置，表达不动）；机制确认触发（型心位移均值 86.5、CV 0.34）但代理双向否决（δ=±0.25..1.0 全部降分，local_spatial 单调恶化），按失败条款提交 δ=0（输出与父逐位一致，三种子 np.array_equal 验证）。+mix 基座上实现 PLAN 的型丰度趋势加权抽取（T2EI-01：按两阶段丰度对数比 lr(c) 调型特异 t_draw(c)，γ 控强度）；机制确认触发（lr_std=0.94、38% 类型 |lr|>0.3、t_draw CV=0.52）但代理双向否决（γ=+0.3/0.6/1.0 的 cell_state 单调降至 51.8/51.63/49.89，γ=−0.6 升 cell_state 却砸 board），按失败条款提交 γ=0，输出与父节点 13 逐位一致（三种子 np.array_equal 验证）。  ## 方法 -保留父节点 11 的 mix 流程：`interp_bracket` 取目标两侧输入，`align=procrustes3d`+保留父节点 13 的 mix 流程：`interp_bracket` 取目标两侧输入，`align=procrustes3d` 对齐坐标帧，`scale_to_rms` 缩放到阻尼 log 线性目标 RMS（`scale_damp=0.45`），-按类型分层抽细胞（`t_draw = 0.5·t`），细胞数夹到 manifest 的 `[min_cells, max_cells]`。-单输入（b is None）时混合与机制整段跳过，输出=单阶段分层抽样（与父一致）。+按类型分层抽细胞（统一 `t_draw = 0.5·t`），细胞数夹到 manifest 的+`[min_cells, max_cells]`。单输入（b is None）时混合与机制整段跳过，输出=单阶段+分层抽样（与父一致）。历史机制（late-only 抽取、去成熟化、型心插值、型内 OT）+全部保持关闭。 -**PLAN 机制（T2EI-04，`centroid_time_interp`，本节点新增）**：在 `mix_indices`-抽取完成、`_pack_expr` 之前，对每个共有类型 c 用对应阶段**全部细胞**的坐标-（对齐+缩放后的 ca/cb 帧）计算质心 μ_a(c)、μ_b(c)，目标质心 μ_T=(1−t)μ_a+t·μ_b。-抽中细胞来自 a 的平移 +δ·t·(μ_b−μ_a)，来自 b 的平移 −δ·(1−t)·(μ_b−μ_a)；-早/晚独有类型不动；表达值完全不动。δ 由环境变量 `T2_CENTROID_DELTA` 控制，-提交默认 0。+**PLAN 机制（T2EI-01，`abundance_typed_draw`，本节点新增）**：对后期阶段的每个+类型 c 计算丰度对数比 lr(c)=log2((f_b(c)+ε)/(f_a(c)+ε))，ε=1e-4；任一侧细胞数+<5 的类型 lr 置 0（稀有型守卫）。型特异抽取比例+t_draw(c)=0.5·t·(1+γ·clip(lr,−2,2))，夹到 [0.02,0.98]；后期配额按+t_draw(c)·f_b(c)·n 分配（最大余数法取整，确定性排序），其余配额从早期阶段分层+抽取。扩展型多取后期细胞、收缩型少取。γ 由环境变量 `T2_ABUND_GAMMA` 控制，+提交默认 0（此时不调用新函数，走父的 `mix_indices` 原路径）。 -## 机制生效证据（代理括号 E6.75+E8.0→E7.25，t=0.4，n=5000，seed 0）+## 机制生效证据（代理括号 E6.75+E8.0→E7.25，t=0.4，n=5000，seed 0，γ=0.6） -- 步骤 0 诊断：共有类型 11 个，型心位移范数均值 86.5、最大 134.9、CV=0.336-  （>0.3，型间位移有差异，非全局常数位移）——远高于 PLAN 的 0.05 阈值，机制信号充足；-- 实际移动细胞：a 来源 2861/4000、b 来源 520/1000（其余为独有类型，按 PLAN 不动）；-  δ=0.5 时逐细胞位移均值 21.6（云 RMS≈146，量级合理），位移 CV=0.396；-- 刚性平移：型内相对几何严格不变（每个细胞的位移是同一向量）；-- 四组分归因（δ=1.0 vs δ=0，A 半）：expression_change ±0.00、cell_state ±0.00-  （表达与抽取未动，de_score/mmd_u/variogram 逐位相同），shape_scale −0.20-  （d2_shape/occupancy_dice 微变，scale_log_ratio 不变），local_spatial −2.13-  （neighborhood_mmd 0.0548→0.0597）——改动确实只走了坐标通道。+- lr 分布：均值 −0.116、标准差 0.940（≫PLAN 的 0.1 下限），|lr|>0.3 的类型占+  38.5%（>30% 阈值）——丰度比信号充足且型间异质，机制非全局常数缩放；+- t_draw 分布：CV=0.517（>0.15 阈值），显著异于统一值 0.2；+- 被改变来源的细胞：n_from_b 1000→1070，型间配额重分配 + 来源切换合计约 264+  个细胞位（占抽样总数 5.3%，占后期来源细胞的 ~26%；占比上限受 n_b/n=20% 约束，+  未达 PLAN 预期的 15% 总占比，如实报告）；+- 四组分归因（γ=0.6 vs γ=0，A 半）：expression_change +0.31（de_direction+  0.349→0.363）、local_spatial +0.65（neighborhood_mmd 0.0548→0.0534）、+  cell_state −0.93（mmd_u 0.0118→0.0112 但 variogram 0.0106→0.0121）、+  shape_scale −0.22（occupancy_dice 0.802→0.790）——机制走组成/状态通道，+  与 PLAN 预期通道一致，但目标组分方向相反。  ## 对照（mechanism off） -`T2_CENTROID_DELTA=0`（提交默认）时函数直接原样返回坐标、不消耗 rng，输出与-父节点 11 管线**逐位一致**：重构父 run.py 实跑，seed 0/1/2 下 X 与 spatial_3D-`np.array_equal` 全部 True。对照查分 60.17（A 半，seed 0）与父节点 METHOD-报告的 60.17 完全一致。+`T2_ABUND_GAMMA=0`（提交默认）时 `mix_indices_typed` 不调用新函数、rng 消耗+序列与父完全相同，输出与父节点 13 管线**逐位一致**：重构父 run.py 实跑，+seed 0/1/2 下 X 与 spatial_3D `np.array_equal` 全部 True。对照查分 60.17+（A 半，seed 0）与父节点 METHOD 报告的 60.17 完全一致。γ=0.6 下同一 seed 重跑+两次输出逐位相同（确定性验证）。  ## 查分结果与否决（A 半，seed 0，共 5 次查询） -| δ | board | cell_state | expression_change | shape_scale | local_spatial | neighborhood_mmd |-|---:|---:|---:|---:|---:|---:|---:|-| 0（对照） | **60.17** | 52.56 | 60.17 | 69.69 | **58.27** | **0.0548** |-| 0.5 | 60.14 | 52.56 | 60.17 | 70.36 | 57.45 | 0.0567 |-| 1.0 | 59.59 | 52.56 | 60.17 | 69.49 | 56.14 | 0.0597 |-| −0.25 | 59.73 | 52.56 | 60.17 | 67.99 | 58.19 | 0.0550 |-| −0.5 | 59.05 | 52.56 | 60.17 | 65.69 | 57.80 | 0.0559 |+| γ | board | cell_state | expression_change | shape_scale | local_spatial |+|---:|---:|---:|---:|---:|---:|+| 0（对照） | **60.17** | 52.56 | 60.17 | 69.69 | 58.27 |+| +0.3 | 59.72 | 51.80 | 59.56 | 69.01 | 58.53 |+| +0.6 | 60.12 | 51.63 | 60.48 | 69.47 | 58.92 |+| +1.0 | 60.14 | 49.89 | 59.96 | 71.94 | 58.77 |+| −0.6 | 59.77 | **53.51** | 59.40 | 68.66 | 57.51 | -PLAN 提交条件（δ=0.5 或 1.0 的 local_spatial > 父+1）不满足：目标组分-local_spatial 随 |δ| 双向单调恶化，δ=0 是两个方向的峰。解读：正 δ 把同一类型-来自两阶段的簇拉到一起，反而升高邻域类型失配（neighborhood_mmd）——说明-mix 抽出的混合云在邻域层面已经接近目标，型心插值把 a 簇推进 b 簇占据的区域-制造了新的失配；负 δ 把簇推开，主要砸 shape_scale（occupancy/d2_shape）。-未测 δ=0.25/0.75（PLAN 只在方向成立时补测；0.5 已 −0.82，单调性下无峰）。-按失败条款提交 δ=0。+PLAN 采纳条件（最佳 γ 的 cell_state > 对照+1 = 53.56）不满足：正 γ 使目标组分+cell_state 随强度单调恶化（扩展型多取后期细胞把状态分布推向晚侧，variogram+升高），负 γ 虽升 cell_state（+0.95）但同时砸 local_spatial（−0.76）与+shape_scale（−1.03），board 净降。两个方向的 board 都低于对照，γ=0 是峰。+解读：统一 t_draw=0.5·t 已把混合云的状态分布调到代理目标附近，任何按丰度趋势+的型级再分配都在状态-空间两组分之间做净亏损的交换（与节点 10 的 ADJ 调节同型）。  ## 关键参数  - `PARAMS = {align: procrustes3d, scale_damp: 0.45}`（同父）；`T_DRAW_FRAC=0.5`、-  `LATE_ONLY_FRAC=0.5`、`DEMAT_ALPHA=0`（同父，历史机制保持关闭）；-- `T2_CENTROID_DELTA=0.0` 提交默认=机制关闭（env 可开启，仅调试）；+  `LATE_ONLY_FRAC=0.5`、`DEMAT_ALPHA=0`、`CENTROID_DELTA=0`（同父，历史机制关闭）；+- `T2_ABUND_GAMMA=0.0` 提交默认=机制关闭（env 可开启，仅调试）； - 节点 5 遗留的型内 Sinkhorn OT 仍在代码中，默认关闭（`T2_OT_ON=0`）。  ## 验证与未验证 -- 已验证：代理视图 seed 0 全 δ 网格跑通（~2 s，<0.4 GB）；δ=0 输出 seed 0/1/2-  `vec-check` ok 且与父逐位一致；机制触发的诊断/归因证据完整；消耗 5 次查分。-- 未验证：真实括号（E7.25+E8.0，t=1/3，共有类型 11）上型心插值的效果——-  机制是纯几何插值、无阶段特异假设，但代理的双向否决说明"混合云的邻域结构-  已优于型心插值"这一结论依赖括号的几何，真实括号不能排除方向不同，只能-  按代理证据保守回退。-- 生物学知识来源：无新增；仅使用 view 内数据（类型标签、坐标、时间差）。+- 已验证：代理视图 seed 0 全 γ 网格跑通（~2 s，<0.4 GB）；γ=0 输出 seed 0/1/2+  `vec-check` ok 且与父逐位一致；γ≠0 路径对 seed 确定；机制触发的诊断/归因证据+  完整；消耗 5 次查分。+- 未验证：真实括号（E7.25+E8.0，t=1/3，共有类型 11）上丰度加权的效果——代理的+  双向否决说明"统一 t_draw 已在状态-空间交换的峰上"依赖括号的丰度结构，真实+  括号不能排除方向不同，只能按代理证据保守回退。γ=−0.3 未测（−0.6 已净降+  0.40，单调性下无越峰预期）。+- 生物学知识来源：无新增；仅使用 view 内数据（类型标签丰度、时间差）。diff --git a/solution/run.py b/solution/run.pyindex 16761d2..be386d0 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,5 +1,17 @@ #!/usr/bin/env python3-"""mix + type-centroid coordinate time interpolation (family T2EI-04), T2 interpolation.+"""mix + abundance-trend-weighted draw fraction (family T2EI-01), T2 interpolation.++This node's PLAN mechanism (abundance_typed_draw): per-type later-stage draw+fraction t_draw(c) = 0.5*t*(1+gamma*clip(lr(c),-2,2)), lr(c) = log2((f_b(c)+eps)/+(f_a(c)+eps)); expanding types take more later-stage cells, contracting types+fewer. The mechanism FIRES on the proxy bracket (lr std 0.94, 38% of types+|lr|>0.3, t_draw CV 0.52, ~26% of later-source cells reallocated) but the proxy+grid REJECTS it in BOTH directions: gamma=+0.3/+0.6/+1.0 lower cell_state+monotonically (52.56 -> 51.80/51.63/49.89), gamma=-0.6 raises cell_state to+53.51 but drops local_spatial/shape_scale and the board to 59.77 vs control+60.17. Per the PLAN failure clause the submitted default is ABUND_GAMMA=0+(mechanism off, output bit-for-bit the parent's; np.array_equal verified on+seeds 0/1/2 for X and spatial_3D).  This node's PLAN mechanism (centroid_time_interp): after the stratified draw, each shared type's coordinate cluster is rigidly translated so its centroid@@ -81,6 +93,14 @@ DEMAT_ALPHA = float(os.environ.get("T2_DEMAT_ALPHA", "0.0")) # Proxy grid rejected both directions (see module docstring / METHOD.md). # Default 0.0 = mechanism off, output bit-for-bit the parent pipeline. CENTROID_DELTA = float(os.environ.get("T2_CENTROID_DELTA", "0.0"))+# PLAN T2EI-01 mechanism (this node): abundance-trend-weighted draw fraction.+# For each type c present in the later stage, lr(c) = log2((f_b(c)+eps)/(f_a(c)+eps))+# (eps=1e-4; lr=0 for types with <5 cells on either side or absent from a), and the+# later-stage draw fraction becomes t_draw(c) = T_DRAW_FRAC*t*(1+gamma*clip(lr,-2,2))+# clipped to [0.02, 0.98]. Expanding types take more later-stage cells, contracting+# types fewer; the earlier stage fills the remainder of the n-cell quota.+# gamma=0 => mechanism OFF, bit-for-bit the parent's uniform mix_indices path.+ABUND_GAMMA = float(os.environ.get("T2_ABUND_GAMMA", "0.0"))   def centroid_time_interp(pa, pb, la_drawn, lb_drawn, ca, la_all, cb, lb_all, t, delta, stats):@@ -168,12 +188,71 @@ def demat_late(xb, labels_b_drawn, stage_a, alpha, stats):     return xb_new.astype(np.float32)  -def mix_indices_typed(labels_a, labels_b, t, n, rng, shared_frac, late_only_frac, stats):+def abundance_typed_draw(la, lb, t, n, rng, base_frac, gamma, stats):+    """PLAN T2EI-01 mechanism: type-specific later-stage draw fraction from the+    two-stage abundance log-ratio. lr(c) = log2((f_b(c)+eps)/(f_a(c)+eps)),+    t_draw(c) = base_frac*t*(1+gamma*clip(lr,-2,2)) clipped to [0.02,0.98].+    Per-type later quota = t_draw(c)*f_b(c)*n (largest-remainder rounding);+    the earlier stage fills the remaining quota stratified by type."""+    eps = 1e-4+    a_types, a_counts = np.unique(la, return_counts=True)+    b_types, b_counts = np.unique(lb, return_counts=True)+    fa = dict(zip(a_types.tolist(), a_counts.tolist()))+    na, nb = max(la.size, 1), max(lb.size, 1)+    lrs = np.zeros(len(b_types))+    for i, ty in enumerate(b_types.tolist()):+        ca_ = fa.get(ty, 0)+        if b_counts[i] < 5 or ca_ < 5:+            continue  # rare-type guard (PLAN risk 2): keep the uniform fraction+        lrs[i] = np.log2((b_counts[i] / nb + eps) / (ca_ / na + eps))+    lrs = np.clip(lrs, -2.0, 2.0)+    tdraw = np.clip(base_frac * t * (1.0 + gamma * lrs), 0.02, 0.98)+    stats["abund_gamma"] = gamma+    stats["abund_mode"] = "on"+    stats["abund_lr_mean"] = float(lrs.mean())+    stats["abund_lr_std"] = float(lrs.std())+    stats["abund_frac_lr_gt03"] = float((np.abs(lrs) > 0.3).mean())+    stats["abund_tdraw_cv"] = float(tdraw.std() / (tdraw.mean() + 1e-12))+    raw = tdraw * (b_counts / nb) * n+    counts = np.minimum(np.floor(raw).astype(int), b_counts)+    deficit = int(round(raw.sum())) - counts.sum()+    rem = raw - np.floor(raw)+    order = np.lexsort((-tdraw, -rem))  # deterministic largest remainder+    i = 0+    guard = 0+    while deficit > 0 and guard < 4 * len(counts) + 8:+        j = order[i % len(order)]+        if counts[j] < b_counts[j]:+            counts[j] += 1+            deficit -= 1+        i += 1+        guard += 1+    n_b = int(counts.sum())+    n_a = int(np.clip(n - n_b, 0, n))+    uni = base_frac * t * (b_counts / nb) * n  # uniform-t_draw reference quotas+    stats["abund_src_changed_frac"] = float(np.abs(counts - np.floor(uni)).sum() / max(n, 1))+    stats["n_from_b_abund"] = n_b+    ia = take(la, n_a, rng) if n_a > 0 else np.array([], dtype=int)+    picks = []+    for j, ty in enumerate(b_types.tolist()):+        k = int(counts[j])+        if k <= 0:+            continue+        pool = np.flatnonzero(lb == ty)+        picks.append(rng.choice(pool, min(k, pool.size), replace=False))+    ib = np.concatenate(picks) if picks else np.array([], dtype=int)+    return ia, ib+++def mix_indices_typed(labels_a, labels_b, t, n, rng, shared_frac, late_only_frac, stats, gamma=0.0):     """Type-stratified draw (family T2EI-01): b-types absent from a get draw     fraction late_only_frac*t, shared b-types get shared_frac*t; a fills the rest.      When late_only_frac == shared_frac (or b has no exclusive types) this falls     back to the parent's uniform mix_indices, bit-for-bit (mechanism-off control).++    gamma != 0 activates the abundance-trend mechanism (abundance_typed_draw)+    on top of the shared_frac baseline; gamma == 0 leaves the parent path intact.     """     la = np.asarray(labels_a).astype(str)     lb = np.asarray(labels_b).astype(str)@@ -182,6 +261,10 @@ def mix_indices_typed(labels_a, labels_b, t, n, rng, shared_frac, late_only_frac     late_only_mask = np.array([ty not in a_types for ty in b_types])     n_late_types = int(late_only_mask.sum())     stats["n_late_only_types"] = n_late_types+    if gamma != 0.0:+        return abundance_typed_draw(la, lb, t, n, rng, shared_frac, gamma, stats)+    stats["abund_gamma"] = 0.0+    stats["abund_mode"] = "off"     if late_only_frac == shared_frac or n_late_types == 0:         stats["late_only_mode"] = "off"         return mix_indices(la, lb, shared_frac * t, n, rng)@@ -333,7 +416,7 @@ def main() -> None:     n = _limits(params, stage_a.n, stage_b.n, t, "interp")     stats: dict = {}     ia, ib = mix_indices_typed(stage_a.labels, stage_b.labels, t, n, rng,-                               T_DRAW_FRAC, LATE_ONLY_FRAC, stats)+                               T_DRAW_FRAC, LATE_ONLY_FRAC, stats, ABUND_GAMMA)      xa = as_dense(stage_a.X, ia)     pa = np.asarray(ca[ia], dtype=np.float64)@@ -374,7 +457,7 @@ def main() -> None:     info.update(t=t, n=int(expr.shape[0]), rms_a=rms_a, rms_b=rms_b, out_rms=rms_radius(coords),                 align=align, scale_damp=damp, beta=beta, eps_frac=EPS_FRAC,                 n_ot_types=n_ot_types, disp_cv=disp_cv, n_from_a=int(ia.size), n_from_b=int(ib.size),-                t_draw_frac=T_DRAW_FRAC, late_only_frac=LATE_ONLY_FRAC, **stats)+                 t_draw_frac=T_DRAW_FRAC, late_only_frac=LATE_ONLY_FRAC, **stats)     keep = {k: info.get(k) for k in ("t", "n", "rms_a", "rms_b", "out_rms", "n_shared_types", "z_dot",                                      "z_flipped", "align", "beta", "eps_frac", "n_ot_types", "disp_cv",                                      "n_from_a", "n_from_b", "t_draw_frac", "late_only_frac",@@ -384,7 +467,10 @@ def main() -> None:                                      "demat_disp_mean", "demat_disp_cv", "demat_cell_norm_mean",                                      "cent_delta", "cent_mode", "cent_n_shared", "cent_disp_mean",                                      "cent_disp_max", "cent_disp_cv", "cent_n_moved_a", "cent_n_moved_b",-                                     "cent_cell_shift_mean", "cent_cell_shift_cv")}+                                      "cent_cell_shift_mean", "cent_cell_shift_cv",+                                      "abund_gamma", "abund_mode", "abund_lr_mean", "abund_lr_std",+                                      "abund_frac_lr_gt03", "abund_tdraw_cv", "abund_src_changed_frac",+                                      "n_from_b_abund")}     print(json.dumps({"bracket": [a["stage"], b["stage"]], **keep}, default=float), file=sys.stderr)     write_t2(args.out, expr, coords.astype(np.float32), 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.** 按 PLAN 实现了型丰度趋势加权抽取（T2EI-01，`abundance_typed_draw`，env `T2_ABUND_GAMMA`）。

- **机制触发确认**：lr_std=0.94、38% 类型 |lr|>0.3、t_draw CV=0.52、~26% 后期来源细胞被重分配。
- **查分（5 次，A 半）**：对照 γ=0 精确复现 60.17；γ=+0.3/+0.6/+1.0 → cell_state 单调降（51.80/51.63/49.89），board 59.72/60.12/60.14；γ=−0.6 → cell_state 升至 53.51 但 board 降到 59.77。双向否决，PLAN 采纳条件不满足。
- **提交**：γ=0 默认，输出与父节点 13 逐位一致（seed 0/1/2 `np.array_equal` 验证），`vec-check` 通过，运行 ~2 s / <0.4 GB。

**下一步最值得试**：cell_state 通道上"组成/来源比例"类调节至此已四轮否决（节点 10 的 ADJ、本节点的型级 t_draw 双向）——统一 t_draw=0.5·t 是状态-空间交换的峰。建议转向表达分布形状本身（如型内按目标时间做分位数/协方差匹配而非均值收缩），或试 local_spatial 的细胞级 kNN 微调（父节点 next_suggestions 第 2 条）。

调研员

```json
{
  "name": "型丰度趋势加权抽取比例改善 cell_state",
  "motivation": "父节点13（=9=11）四组中 cell_state 53.88 最低。坐标通道已四轮否决（scale/OT/型心/负向外推），表达后处理三轮否决（节点3/7/11）。但抽取组成通道仍有空间：节点5的t_draw=0.5·t将cell_state从37.49拉到53.88（+16），节点12的组成插值+解耦进一步到57.12。当前管线对所有类型用统一t_draw=0.5·t，忽略了类型间丰度变化趋势。节点10的ADJ=0（共享型全取早期）过于极端导致cell_state−1.51，说明方向对但粒度需更细：按型连续调节而非二值切换。",
  "approach": "在mix_indices_typed抽取阶段，对每个共有类型c计算两阶段丰度对数比 lr(c)=log2((f_b(c)+ε)/(f_a(c)+ε))，ε=1e-4；将t_draw从统一0.5·t改为型特异：t_draw(c)=0.5·t·(1+γ·clip(lr(c),−2,2))，clip到[0.02,0.98]保证合法。γ=0时退化为父管线（逐位一致）。实现步骤：1)在mix_indices返回前，按类型标签统计ca/cb中各型频率；2)计算lr向量；3)对每个被抽中的后期细胞，按其类型的t_draw(c)决定是否入选（替代统一阈值）。代理验证：γ∈{0.3,0.6,1.0}+对照γ=0，共4次查分；若最佳γ的cell_state>对照+1，再补测γ±0.15（2次）；否则提交γ=0。单输入（b is None）时跳过机制，输出=单阶段分层抽样。vec-score筛选：先看cell_state是否升、再看board是否升、最后确认local_spatial/shape_scale未降超1。",
  "expected_groups": ["cell_state"],
  "risks": "1) 丰度比信号弱（多数类型lr≈0）→机制等效于常数缩放，Engineer应在代理上先打印lr分布（均值/标准差/非零比例），若std<0.1则提前终止；2) 某些稀有型频率估计不稳（<5细胞）→用ε平滑+将细胞数<5的类型lr置0；3) 调组成可能联动local_spatial（邻域类型配比变化）→若local_spatial降>1.5即停止该γ；4) 30分钟内足够：机制仅改抽样逻辑，无优化/迭代，代理单次<2s。",
  "family_id": "T2EI-01",
  "mechanism": "按类型的两阶段丰度对数比连续调节后期抽取比例：扩展型多取后期细胞、收缩型少取，使抽取组成更接近目标时间的类型构成。",
  "vs_constant_shift": "常数位移对所有类型施加相同偏移；本机制的调节量按型不同（正比于该型的丰度变化lr(c)），且只作用于抽样概率而非坐标/表达值。全局组成重加权改变类型配额总数；本机制保持每型总配额不变，只改型内两阶段来源比例。",
  "mechanism_evidence": "Engineer在代理上打印：(1) lr向量的均值、标准差、|lr|>0.3的类型占比（需>30%才算型特异）；(2) γ=0.6时各型实际t_draw分布（应显著异于统一值，CV>0.15）；(3) 四组分各自变化（预期cell_state升、expression_change不动、local_spatial/shape_scale噪声内）；(4) 被改变来源的细胞数占抽中总数的比例（应>15%）。",
  "mechanism_off_control": "γ=0（环境变量T2_ABUND_GAMMA=0，默认）时所有类型的t_draw退化为统一的0.5·t，输出与父节点13逐位一致（np.array_equal验证X和spatial_3D，seed 0/1/2）。对照查分应精确复现60.17（A半）。",
  "sources": []
}
```