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

节点 n17 在终选来历上

实现 PLAN 的 K 近邻供体均值配对：均值使型内 SD 收缩到父14 的 69%、cell_state 从 56 崩到 30，触发放弃条款，回退父14（MEAN_K=0，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 1d420b6e54: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 7961bc6229。改动的文件：solution/METHOD.md +51 −58、solution/run.py +50 −3

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 897e1ef..3f6a86e 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,75 +1,68 @@-父12解耦基座上的型内混合配对：全部坐标细胞的表达供体改从同型池内空间最近 3 个供体（K=3）中随机抽取，回收 ec 同时保住 ls。+实现 PLAN 的 K 近邻供体均值配对：均值使型内 SD 收缩到父14 的 69%、cell_state 从 56 崩到 30，触发放弃条款，回退父14（MEAN_K=0，逐位一致）。 -## 方法+## 方法族与实现的机制 -基座 = 父12（mix, procrustes3d, scale_damp=0.5, n=5000）：坐标走 tau=0/frac=0.5-均匀分层抽取，表达供体池走组成插值（ADJ=0），池组成、坐标路、补齐规则-（fill_late/fill_early）一律未动。+family **T2EI-01**（型内配对规则）。按 PLAN 在父14 代码里新增 `mean_k` 支路：+对每个坐标细胞，在对齐+缩放帧内取同型池的 `MEAN_K` 个最近供体，用它们表达向量的+**算术均值**作为该细胞的表达（不再从 K 近邻里随机抽一个供体）。`MIX_R=1.0`（全部+坐标细胞走此路径），`MEAN_K` 由 `VEC_MEAN_K` 控制，默认 0（=父14 随机路径）。+坐标路、组成插值池（ADJ=0）、补齐规则一律未动，故 shape_scale 逐位不变。 -**机制（family T2EI-01，配对规则）**：父12 用同型 1-nn 把每个坐标细胞配到空间-最近的池供体。本节点新增 MIX_R/MIX_K：对每型，round(MIX_R·c_T) 个坐标细胞-（rng 由 seed 确定）的供体改从该坐标细胞在对齐+缩放帧内的 K 个最近同型池供体中-均匀随机抽取（K=1 时即 PLAN 原文的全池随机供体）。提交配置 MIX_R=1.0、MIX_K=3。+这不是常数位移：均值对每个坐标细胞独立计算（各自 K 近邻集合不同），表达修改是+空间异质、逐细胞不同的；验证见下（frac cells changed vs 父14 = 1.0，即全部细胞+表达都被改写，且逐型不同）。 -单阶段退路（目标无括号）：不变，行为与父12 完全一致。代码不读任何绝对时间/路径，-时间平移不变。+## 机制生效证据（proxy，seed 0，A 半） -## 与 PLAN 的偏离（如实报告）+- **供体集合大小 = MEAN_K**：诊断 `mean_k_avg` 实测 3.0 / 5.0 / 7.0（未退化为 1），+  `n_mean_cells=5000`（全部细胞走均值路径）。+- **型内表达 SD（过度平滑诊断）**：逐基因 SD 均值 p12(1nn)=0.7741、p14(randK3)=0.7710、+  **mean3=0.5340**。mean3/p14 = **0.693**（SD 收缩 −30.7%），超过 PLAN 风险#1 的+  30% 过度平滑阈值 → 确认均值把型内所有细胞拉向型均值。+- **逐位与父14 不同**：`frac cells changed mean3 vs p14 = 1.0`，每型表达均值也被改写+  （非退化到位移），符合"逐细胞空间异质修改"。 -PLAN 原文是全池随机供体（等价于 MIX_K=1），扫描结果触发其风险条款：+## 扫描结果（A 半，seed 0）——机制失败 -| 配置 | A半榜分 | ec | cs | ss | ls |-|---|---:|---:|---:|---:|---:|-| 父12（nn 配对，=MIX_R 0） | 60.88 | 60.83 | 55.87 | 68.53 | 58.30 |-| PLAN 原文 K=1, r=0.25 | 59.94 | 61.15 | 55.71 | 68.53 | 54.37 |-| PLAN 原文 K=1, r=0.5 | 59.43 | 61.78 | 56.91 | 68.53 | 50.50 |-| K=2, r=1.0 | 60.49* | 60.49 | 55.82 | 68.53 | 57.91 |-| **K=3, r=1.0（提交）** | **61.14** | **61.55** | **56.49** | 68.53 | 57.97 |-| K=3, r=0.5 | — | 61.18 | 56.44 | 68.53 | 57.94 |-| K=4 / K=5 / K=6, r=1.0 | 60.77 / 60.55 / 60.61 | 60.96 / 60.04 / 61.51 | 56.37 / 56.57 / 56.13 | 68.53 | 57.22 / 57.07 / 56.26 |+| 配置 | 榜分 | ec | cs | ss | ls | mmd_u |+|---|---:|---:|---:|---:|---:|---:|+| 父14（randK3，A半） | 61.14 | 61.55 | 56.49 | 68.53 | 57.97 | 0.055 |+| **MEAN_K=3** | 53.70 | 61.51 | **30.25** | 68.53 | 54.52 | 0.041 |+| MEAN_K=5 | 51.54 | 61.44 | 23.47 | 68.53 | 52.74 | 0.055 |+| MEAN_K=7 | 50.65 | 61.70 | 20.58 | 68.53 | 51.78 | 0.063 | -全池随机供体的 ls 悬崖太陡（r=0.25 已 −3.9，超 PLAN 否决线 ls 损失>1；r=0.5 的-ls=50.5<56，触发"直接放弃"条款），ec 增益换不回。改为**局部随机**（K 近邻内随机）：-K=3 时 neighborhood_mmd 仅 0.0550→0.0555，ls 损失 0.33（<1，过护栏），ec +0.72、-cs +0.62。这是父12 ANALYSIS next_suggestions 第 2、3 条（混合配对 / k-nn 供体）的-组合，仍在同一机制家族内（改的只是型内配对规则）。+均值把 **cell_state 从 56.5 砸到 20–30**（收缩型内方差 → 单细胞分布塌向型均值，+mmd_u 反而降低是因为分布变窄，但细胞"不像真实中间态细胞"），**local_spatial 也更差**+（54.5 < 57.97，均值破坏了表达-空间的局部耦合，neighborhood_mmd 从 0.055 升到 0.064）。+只有 expression_change 微动（±0.1，噪声内）。三档 MEAN_K 全部 ls 无改善、cs 崩塌 →+**触发 PLAN 步骤4 放弃条款**。 -## 机制生效证据（proxy，A 半）+## 机制关闭对照 -- 机制实际改写细胞：MIX_R=1.0、K=3 时 n_mix_total=5000（全部细胞走随机支路），-  frac_donors_changed=0.674（67% 细胞的供体 ≠ 1-nn 供体；其余随机抽中第 0 列）。-- 逐型池供体集合与 r=0 完全相同（池由同一 rng_e 序列在配对前抽好），每型表达-  均值逐位不变——不是型均值位移，是型内"哪个供体配哪个坐标"的逐细胞置换。-- 四组分（vs r=0 同 seed）：ec 60.83→61.55（+0.72）、cs 55.87→56.49（+0.62）、-  ss 68.53→68.53（0，坐标路未动，d2_shape/occupancy/scale_log_ratio 逐位相同）、-  ls 58.30→57.97（−0.33，护栏内）。-- neighborhood_mmd 0.05504→0.05548（+0.0004），与 ec 回升同档，无崩塌。+`VEC_MEAN_K=1`：均值退化为单个最近邻供体表达。已验证 seed 0 输出与父12（nn 配对、+MIX_R=0）**逐位一致**（X 与 spatial_3D `np.array_equal`=True）。`VEC_MEAN_K=0`（默认）+走父14 随机 K=3 支路，诊断 `frac_donors_changed=0.6738`、`n_mix_total=5000`、+`mean_k_avg=0`，与父14 完全一致。 -## 配对 A 半对比（决策依据）+## 附带验证（父14 next_suggestion #2） -K=3,r=1.0 vs MIX_R=0（同 seed 同视图）：seed0 61.14 vs 60.88（+0.26）、-seed1 60.72 vs 60.40（+0.32）、seed2 60.31 vs 60.30（+0.01）。三种子方向一致-非负，按 PLAN 决策规则提交。增益小于噪声（~1），B 半可能不重现，属低风险的-小幅正期望改动。+同时扫描坐标路 `T_DRAW_FRAC`（唯一未动、有独立头部空间的旋钮，决定 ss/ls 几何项），+机制固定为父14（randK3）：0.35→59.62、0.55→60.51、0.6→61.02、0.65→60.98，**全部+≤ 父14 的 61.14**。确认 T_DRAW_FRAC=0.5 已是最优，坐标路无头部空间。 -## 机制关闭对照+## 最终提交：回退父14（MEAN_K=0） -`MIX_R=0`：随机支路为空、K 查询退回 k=1，代码路径与父12 逐行相同；已验证-seed 0 输出与父12 逐位一致（X 与坐标 np.array_equal），A 半 60.88 = 父12 的-60.88。`VEC_DECOUPLE=0` 仍复现父8 均匀抽取对照。+PLAN 机制与其备选建议均不胜出，按 PLAN 步骤4 回退。提交配置默认值即父14：+`PARAMS={"align":"procrustes3d","scale_damp":0.5}`、`DECOUPLE=True`、`COMPOS_ADJ=0.0`、+`T_DRAW_FRAC=0.5`、`VEC_PAIR=nn`、`MIX_R=1.0`、`MIX_K=3`、**`MEAN_K=0`**。+默认输出与父14 逐位一致，预期正式分 ≈ 父14（61.73 B 半 / 61.14 A 半）。代码保留+mean_k 支路（默认关闭）供后续节点复用。  ## 已验证 / 未验证 -- 已验证：proxy 视图 seed 0/1/2 跑通（1.2–1.9 s，峰值内存远低于限制）、vec-check-  通过、同 seed 逐位确定、MIX_R=0 逐位等于父12；rng_mix 仅由 (seed, MIX_R) 派生，-  与视图路径/绝对时间无关。-- 未验证：真实 final 视图（E8.5→E9.5，类型更多、n 更大；K=3 在池很小时的型自动-  收缩 K=min(3,池)，不会崩）；B 半分数；K 在 {2,4,5,6} 非单调（K=3 最优可能含-  A 半噪声成分）。-- 生物学知识来源：无新增外部知识；仅复用视图内提供的谱系类型标签。--## 参数--`PARAMS={"align":"procrustes3d","scale_damp":0.5}`；`DECOUPLE=True`、-`COMPOS_ADJ=0.0`、`T_DRAW_FRAC=0.5`、`VEC_PAIR=nn`、**`MIX_R=1.0`、`MIX_K=3`**-（环境变量仅本地测试用，默认值即提交配置）。+- 已验证：proxy seed 0/1 跑通、同 seed 逐位确定、seed1≠seed0、vec-check ok、+  MEAN_K=1 逐位=父12（关闭对照）、默认逐位=父14；诊断三件套（mean_k_avg、型内SD、+  frac_changed）合起来把榜分崩塌归因到"均值过度平滑"这一所声称的机制。+- 未验证：真实 final 视图（E8.5→E9.5，类型更多、n 更大）；B 半分数。均值机制在+  proxy 上已确认净负，未在 final 上再测（预期同样过度平滑）。+- 生物学知识来源：无新增外部知识；仅复用视图内谱系类型标签。diff --git a/solution/run.py b/solution/run.pyindex ecda1a8..ff69051 100644--- a/solution/run.py+++ b/solution/run.py@@ -67,8 +67,9 @@ PARAMS = {"align": "procrustes3d", "scale_damp": 0.5} DECOUPLE = True COMPOS_ADJ = 0.0  # later-stage share of a shared type's expression quota: t * COMPOS_ADJ T_DRAW_FRAC = 0.5  # coordinate-path later-stage fraction-MIX_R = 1.0  # fraction of coordinate cells per type re-paired to a random pool donor (0 = off control, bit-identical to parent 12)+MIX_R = 1.0  # fraction of coordinate cells per type re-paired (0 = off control, bit-identical to parent 12) MIX_K = 3  # 1: donor uniform over the whole type pool (PLAN literal); K>1: donor uniform over the K nearest pool donors+MEAN_K = 0  # >0: replace random donor choice with the arithmetic mean of the MEAN_K nearest same-type pool donors (0 = parent-14 random path)   def _compos_mix(labels_a, labels_b, tt: float, n: int, rng: np.random.Generator, adj: float, diag: dict | None = None):@@ -186,7 +187,7 @@ def _uniform_mix(labels_a, labels_b, tt, n: int, frac: float, rng: np.random.Gen  def _decoupled_expr(stage_a, stage_b, ia, ib, tt: float, adj: float, rng: np.random.Generator, diag: dict,                     ca=None, cb=None, pair: str = "order", mix_r: float = 0.0, rng_mix: np.random.Generator | None = None,-                    mix_k: int = 5):+                    mix_k: int = 5, mean_k: int = 0):     """Rebuild the expression matrix: per-type pools from _compos_mix(adj), paired     with the coordinate-path cells of the same type. @@ -194,6 +195,10 @@ def _decoupled_expr(stage_a, stage_b, ia, ib, tt: float, adj: float, rng: np.ran     pair="nn": each coordinate cell takes the spatially nearest same-type pool     donor in the aligned frame (ca/cb), preserving local expression-spatial     structure while keeping the compositional pool per type.+    mean_k>0 (this node): the donor expression of each coordinate cell is the+    arithmetic mean of its mean_k nearest same-type pool donors in the aligned+    frame (deterministic spatial smoothing; mean_k=1 is bit-identical to the+    strict 1-nn pairing of parent node 12). Overrides the random mix path.     """     la = np.asarray(stage_a.labels).astype(str)     lb = np.asarray(stage_b.labels).astype(str)@@ -208,6 +213,9 @@ def _decoupled_expr(stage_a, stage_b, ia, ib, tt: float, adj: float, rng: np.ran     idx = np.zeros(n_out, dtype=np.int64)     fill_late = fill_early = overlap_num = overlap_den = 0     n_mixed_changed = n_mix_total = 0+    mean_records: list = []+    n_mean_cells = 0+    n_mean_k_sum = 0     for T in np.unique(coord_types):         pos = np.flatnonzero(coord_types == T)         poolA = ia_e[la_e == T]@@ -240,6 +248,22 @@ def _decoupled_expr(stage_a, stage_b, ia, ib, tt: float, adj: float, rng: np.ran         don_idx = np.array(list(seq_a) + list(seq_b), dtype=np.int64)         coordA = ia[la[ia] == T]         coordB = ib[lb[ib] == T]+        if mean_k > 0 and pair == "nn" and ca is not None and cb is not None and don_idx.size:+            from scipy.spatial import cKDTree++            pts_coord = np.vstack([ca[coordA], cb[coordB]]) if (len(coordA) + len(coordB)) else np.zeros((0, ca.shape[1]))+            pts_don = np.vstack(+                [p[k] for p, k in ((ca, don_idx[don_side == 0]), (cb, don_idx[don_side == 1])) if k.size]+            )+            tree = cKDTree(pts_don)+            kq = int(max(1, min(int(mean_k), don_idx.size)))+            _, sel = tree.query(pts_coord, k=kq)+            sel = np.asarray(sel, dtype=np.int64).reshape(len(pts_coord), kq)+            mean_records.append((pos[: len(sel)], sel, don_side, don_idx))+            n_mean_cells += int(len(sel))+            n_mean_k_sum += int(kq * len(sel))+            overlap_den += need+            continue         if pair == "nn" and ca is not None and cb is not None and don_idx.size and don_idx.size != need:             sel = np.arange(min(need, don_idx.size))         elif pair == "nn" and ca is not None and cb is not None and don_idx.size:@@ -294,6 +318,25 @@ def _decoupled_expr(stage_a, stage_b, ia, ib, tt: float, adj: float, rng: np.ran         expr[mA] = as_dense(stage_a.X, idx[mA]).astype(np.float32)     if mB.any():         expr[mB] = as_dense(stage_b.X, idx[mB]).astype(np.float32)+    for m_pos, sel2d, don_side, don_idx in mean_records:+        sides = don_side[sel2d]+        idxs = don_idx[sel2d]+        need_, kq_ = sel2d.shape+        acc = np.zeros((need_, n_genes), dtype=np.float64)+        allA = (sides == 0).all(axis=1)+        allB = (sides == 1).all(axis=1)+        rowsA = np.flatnonzero(allA)+        rowsB = np.flatnonzero(allB)+        if rowsA.size:+            acc[rowsA] = as_dense(stage_a.X, idxs[rowsA].ravel()).reshape(rowsA.size, kq_, n_genes).mean(axis=1)+        if rowsB.size:+            acc[rowsB] = as_dense(stage_b.X, idxs[rowsB].ravel()).reshape(rowsB.size, kq_, n_genes).mean(axis=1)+        rowsM = np.flatnonzero(~(allA | allB))+        for r in rowsM:+            va = as_dense(stage_a.X, idxs[r][sides[r] == 0])+            vb = as_dense(stage_b.X, idxs[r][sides[r] == 1])+            acc[r] = (va.sum(axis=0) + vb.sum(axis=0)) / kq_+        expr[m_pos] = acc.astype(np.float32)     np.clip(expr, 0.0, None, out=expr)     diag["expr_from_b"] = int(mB.sum())     diag["coord_from_b"] = int(len(ib))@@ -302,6 +345,8 @@ def _decoupled_expr(stage_a, stage_b, ia, ib, tt: float, adj: float, rng: np.ran     diag["donor_overlap_frac"] = float(overlap_num / max(overlap_den, 1))     diag["n_mix_total"] = int(n_mix_total)     diag["frac_donors_changed"] = float(n_mixed_changed / max(n_out, 1))+    diag["n_mean_cells"] = int(n_mean_cells)+    diag["mean_k_avg"] = float(n_mean_k_sum / max(n_mean_cells, 1))     return expr  @@ -360,6 +405,7 @@ def main() -> None:         pair = str(os.environ.get("VEC_PAIR", "nn"))         mix_r = float(os.environ.get("VEC_MIX_R", MIX_R))         mix_k = int(os.environ.get("VEC_MIX_K", MIX_K))+        mean_k = int(os.environ.get("VEC_MEAN_K", MEAN_K))         aligned_a, aligned_b, _ = align_pair(stage_a.coords, stage_b.coords, stage_a.labels, stage_b.labels, str(params.get("align", "procrustes")))         target_rms = log_interp(rms_radius(stage_a.coords), rms_radius(stage_b.coords), t, float(params.get("scale_damp", 1.0)))         ca = scale_to_rms(aligned_a, target_rms)@@ -367,10 +413,11 @@ def main() -> None:         rng_e = np.random.default_rng([int(args.seed), 20261003])         rng_mix = np.random.default_rng([int(args.seed), 31337, int(round(mix_r * 10000))])         expr = _decoupled_expr(stage_a, stage_b, holder["ia"], holder["ib"], t, adj, rng_e, diag, ca=ca, cb=cb, pair=pair,-                               mix_r=mix_r, rng_mix=rng_mix, mix_k=mix_k)+                               mix_r=mix_r, rng_mix=rng_mix, mix_k=mix_k, mean_k=mean_k)         diag["pair"] = pair         diag["mix_r"] = mix_r         diag["mix_k"] = mix_k+        diag["mean_k"] = mean_k      keep = {k: info.get(k) for k in ("t", "n", "rms_a", "rms_b", "out_rms", "n_shared_types", "z_dot", "z_flipped", "align")}     print(json.dumps({"bracket": [a["stage"], b["stage"]], **keep, **diag}, default=float), file=sys.stderr)

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**：按 PLAN 实现 K 近邻供体表达均值配对（`MEAN_K`，替代父14 的随机供体），关闭对照 MEAN_K=1 逐位等于父12 验证通过；同时补测父建议 #2 的坐标路 T_DRAW_FRAC 扫描。

**查分结果**（9 次查询，A 半 seed 0）：MEAN_K=3/5/7 榜分 53.70/51.54/50.65，cell_state 崩塌 56.5→30/23/21（型内 SD 收缩 −30.7%，过度平滑），ls 不升反降；T_DRAW_FRAC 0.35/0.55/0.6/0.65 全部 ≤ 父14 的 61.14。按 PLAN 步骤4 放弃，提交父14 配置（默认输出逐位=父14，vec-check ok，seed 确定）。

**下一步最值得试**：均值证明 cs 对方差收缩极敏感——反方向（在 nn 配对基础上做保方差的局部供体交换，或距离加权随机而非均匀随机）可能小幅回收 ls 而不伤 cs；但配对规则家族头部空间已基本榨干，更大的增益可能需要跳出配对规则（如表达池本身的中间态化）。

调研员

{
  "name": "K近邻供体均值替代随机置换，回收ls/cs",
  "motivation": "父14（61.73）的最弱组为cell_state 57.70和local_spatial 58.69。ANALYSIS第1条建议：将MIX_K=3随机置换换成K近邻供体表达取均值，期望ls损失比随机更小（均值保持空间连续性）、ec增益更稳。父14的ls比父12降0.63，cs虽升但仍在最低组；随机选择的67%供体改变率引入的空间噪声是ls损失的直接来源。配对规则路的ec头部空间已近枯竭（+1.4中已回收约0.76），但ls仍有回收空间。",
  "approach": "步骤：\n1. 在父14代码基础上，将MIX_K随机抽取逻辑替换为均值逻辑：对每个坐标细胞，找同型池内对齐帧中K个最近供体，取其表达向量的算术均值作为该坐标细胞的表达（不再随机选一个）。新增参数MEAN_K（替代MIX_K的随机语义），初始扫描MEAN_K∈{3,5,7}。MIX_R保持1.0（全部坐标细胞走此路径）。\n2. 小样本快筛：seed 0，MEAN_K=3/5/7，vec-score查A半，记录四组分。重点看ls是否比父14的58.69回升、ec是否≥61。若MEAN_K=3的ls>59且ec>60.5，进入多seed验证。\n3. 多seed配对验证（ANALYSIS第3条）：对最优MEAN_K，跑seed 0/1/2，每个seed同时跑MIX_R=0（=父12）和候选，计算配对差值。提交条件：|均值差|>0.3且三种子同号。\n4. 若MEAN_K=3/5/7全部ls无改善或ec降>1，则放弃，回退提交父14输出。\n单阶段退路：目标无括号时行为与父12完全一致（无池可配对，直接输出坐标路）。\n时间预算：实现~10min，扫描3配置×1.2s+多seed 3×2×1.2s，远低于30min限制。",
  "expected_groups": ["local_spatial", "cell_state"],
  "risks": "1. 均值过度平滑：若MEAN_K过大，型内所有细胞表达趋同于型均值，退化为常数位移，ec和cs同时下降。Engineer应检查输出表达的型内CV是否显著低于父14（若CV降幅>30%则过度平滑）。2. ec可能比父14略降：均值操作比随机选择更保守，ec增益可能减少0.3~0.5。若ec降>1且ls升<0.5则净负。3. 与父14差异在噪声内（<1分）：需三种子配对差值确认方向，单次查分不可靠。",
  "family_id": "T2EI-01",
  "mechanism": "将型内配对从'K近邻中随机选一个供体'改为'K近邻供体表达取均值'：确定性空间平滑替代随机置换，每个坐标细胞的表达由其空间邻域内同型供体的局部加权中心决定。",
  "vs_constant_shift": "均值是对每个坐标细胞独立计算的——不同位置的细胞有不同的K近邻集合，因此表达修改是空间异质的、逐细胞不同的。常数位移对整个型加同一向量；本机制中即使同型内相邻两个细胞，因各自K近邻不同，获得的表达也不同。验证方式：输出型内表达残差（x−μ_type）的标准差应>0且空间自相关显著。",
  "mechanism_evidence": "Engineer应记录：(1) 每细胞均值供体集合大小=MEAN_K（非退化为1）；(2) 型内表达CV（对比父12的1-nn和父14的随机）：预期父14>本节点>型均值（即本节点介于两者之间）；(3) 逐型表达均值与父12逐位比较：应不完全相同（若相同则退化为型均值位移）；(4) 四组分配对差值（同seed）：预期ls正向、ec持平或微降、ss不变。",
  "mechanism_off_control": "MEAN_K=1：均值退化为最近邻单个供体表达，等价于父12的1-nn配对（nn pairing），代码路径应产生与父12逐位一致的输出（np.array_equal验证）。或设MIX_R=0：完全跳过均值路径，也退回父12。预期差别：MEAN_K=1时ls应比MEAN_K=3低（无平滑），ec应比MEAN_K=3略高（无稀释）。"
}

审查员

REVIEW.json written