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

节点 n7

硬 1-NN 跨阶段位移（family T2EI-02）已按 PLAN 实现并在代理上完整验证；所有 β（正/负）均不超父，disp_cv<0.15 说明机制退化为近常数位移，故按 PLAN 失败条款回退 β=0（输出与父节点逐位一致）。

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 5abe8d5a34: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 02e5b2045e。改动的文件：solution/METHOD.md +64 −66、solution/run.py +63 −80

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex a116904..39a5ba9 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,72 +1,70 @@-mix + 后期抽取比例减半（t_draw=0.5·t），修复 cell_state；PLAN 的型内 Sinkhorn OT 已实现但代理上拉低分数，默认关闭。+硬 1-NN 跨阶段位移（family T2EI-02）已按 PLAN 实现并在代理上完整验证；所有 β（正/负）均不超父，disp_cv<0.15 说明机制退化为近常数位移，故按 PLAN 失败条款回退 β=0（输出与父节点逐位一致）。 -## 方法+## 方法（实际实现的 method family：T2EI-02 逐细胞硬匹配位移） -保留父节点 2 的 mix 流程：`interp_bracket` 取目标两侧的输入，`align=procrustes3d`-把两朵云放进同一帧，`scale_to_rms` 到 log 线性目标 RMS（`scale_damp=0.5`），-按类型分层抽细胞、表达与坐标一起走，细胞数夹到 `[min_cells, max_cells]`。+保留父节点 5 的全部流程：`interp_bracket` 取目标两侧输入，`align=procrustes3d`，+`scale_to_rms` 到 `scale_damp=0.5` 的 log 线性目标 RMS，`mix_indices` 用+`t_draw=0.5·t` 分层抽细胞（表达+坐标一起走），细胞数夹到 `[min_cells,max_cells]`。 -**唯一改变（本节点的改进）**：后期（b）阶段的抽取比例从 t 降到-`t_draw = T_DRAW_FRAC · t`，`T_DRAW_FRAC=0.5`（默认）。即 `mix_indices` 用-`t_draw` 而非 t 决定从 b 抽多少细胞；early（a）阶段补足其余。所有其它步骤-（对齐、RMS、分层、坐标）完全不变。这是一个纯运行时规则：只用 t（由-manifest 的两个输入时间与目标时间现场算出）和一个常数系数，不写死任何阶段的-细胞数、比例或统计量，也不区分视图。--为什么有效：代理（E6.75 + E8.0 → E7.25，t=0.4）实测，b 阶段（较晚、较大）-细胞抽得越多，`cell_state` 越低（tdraw=0.7 → cell_state 17、榜 40.0；-tdraw=0.55 → 24.5、48.8；父 tdraw=0.4 → 37.5、57.2）。把 tdraw 降到 0.2-（=0.5·t）时 `cell_state` 升到 52.6、榜 59.88；0.1 与 0.15 也 >58 但-`shape_scale` 略降。0.5·t 是网格里的最好点，且是「t 的固定比例」而非对代理硬调-的常数，能迁移到真实括号（t=1/3 → t_draw=1/6）。+**PLAN 指定的机制**：在 `mix_indices` 抽出细胞后，对每个共有类型的早阶段被抽中细胞，+在晚阶段同类型细胞（下采样 ≤1000）里用 z-score 表达的平方欧氏距离取 argmin（硬 1-最近邻，+无 Sinkhorn、无 eps），把早细胞位移 `x_out = x + β·(x_nn − x)`，坐标同权重同位移。+`β = BETA_SCALE·t`（用 t 的比例而非绝对值，保持跨括号可迁移）。共有类型早细胞数 <5 时跳过。+单输入（b is None）整段跳过，行为与父一致。numpy argmin 实现，无 scipy。  ## 关键参数 -- `T_DRAW_FRAC=0.5`（env `T2_T_DRAW_FRAC` 可覆盖，仅调试用）-- `PARAMS = {align: procrustes3d, scale_damp: 0.5}`（同父节点）-- OT 机制默认关闭：`T2_OT_ON=0`；`EPS_FRAC=0.03`、`BETA_SCALE=1.0`（β=Scale·t）仅在开启时用。--## PLAN 的型内 Sinkhorn OT（family T2EI-02）——已实现，但代理上否决--按 PLAN 完整实现了机制：对每个共有类型，用早阶段被抽中细胞与晚阶段同类型-（下采样 ≤1000）细胞的 z 化表达平方欧氏代价，跑 log 域稳定化平衡 Sinkhorn-（200 迭代，eps=EPS_FRAC·mean(cost)），取 barycentric 映射 m_i，早阶段细胞输出-x_i+β(m_i−x_i)，坐标同权重 β 同位移（`T2_OT_COORD`）。单输入（b is None）时整段-跳过，行为与父节点一致。--**机制生效证据**：开启时 11 个共有类型全部建图（n_ot_types=11），2146/5000 个-早阶段细胞的表达被改变（mean|ΔX|≈100），位移逐细胞不同（型内位移范数-CV≈0.05–0.10，非零但偏小，说明 eps 偏大、映射偏平滑）；坐标与表达同细胞同权重-位移。--**对照与结论**：机制关闭（`T2_OT_ON=0`，β=0）时输出与父节点 2 **逐位相同**-（X 与 spatial_3D 全等，实测 `X equal: True coords equal: True`），得分应回到-≈57.2。开启机制后代理分**下降**：β=0.4 榜 44.3（cell_state 19.4）、β=0.25 榜-54.3（cell_state 29.3）、β=0.6 榜 50.8。cell_state 不升反降，与 PLAN 预期相反。-原因：eps 即便取 0.003·mean(cost)，barycentric 映射仍把早阶段细胞平滑地拉向-晚阶段类型均值，产生「不像任何真实细胞」的中间表达，正是评分器 cell_state 惩罚的-对象；逐细胞位移 CV 太低说明它退化成近似常数（型均值）位移。因此本节点**默认-关闭 OT**，改用上文的 t_draw 规则——后者是实测唯一稳定提分的改动。不冒充：-OT 代码在仓库里、可开关、对照已验证，但提交配置不启用它。--## 验证过--- 代理视图 seed 0：`run.py` 1.5s 跑完，`vec-check` ok，`vec-score` = 59.8837-  （父 57.23，+2.65 > 噪声 ~1）。-- 确定性：seed 0 连跑两次，X 与坐标逐位相同。-- t_draw 网格 {0.1,0.15,0.2,0.3,0.55,0.7}×代理，0.2=0.5·t 最优。-- 机制关闭时与父节点逐位一致。--## 未验证 / 风险--- 只在代理括号（E6.75+E8.0，t=0.4）验证；真实括号 t=1/3 → t_draw=1/6，-  后期细胞更少。若真实 E8.0 侧含更多目标阶段应有的新类型，t_draw 太小可能漏掉-  它们、压低 expression_change。0.5 是折中，未在真实目标上验证（无权限）。-- B 半正式分未查，A 半 +2.65 应能过 ~1 分噪声，但 shape_scale 从 74.4 降到 68.5-  是代价；若 B 半 shape_scale 地板更低，收益可能缩水。-- 未试 t_draw 与 scale_damp 的联合调参（时间预算内只固定 scale_damp=0.5）。--## 生物学知识来源--未使用任何保留阶段/基因型的实测信息。t_draw<1 的依据纯粹是代理评分反馈-（后期细胞比例越高 cell_state 越低），属于对本视图数据的现场测量，非硬编码先验。+- `BETA_SCALE=0.0`（env `T2_NN_BETA`）——**默认关闭机制**，见下。+- `OT_COORD=1`（env `T2_OT_COORD`）：坐标同位移，仅 β≠0 时生效。+- `T_DRAW_FRAC=0.5`、`PARAMS={align:procrustes3d, scale_damp:0.5}`：全部沿用父节点。++## 机制生效证据（β=0.15 开启时，代理 E6.75+E8.0→E7.25，t=0.4）++- 11 个共有类型全部建图（n_nn_types=11）；2861/5000 早细胞被位移（n_moved=2861）。+- 型内位移范数 CV = **0.073**，低于 PLAN 设定的 0.15 成功阈值 → 位移近常数、退化为+  类均值方向，正是 PLAN `vs_constant_shift` 判为失败的情形（硬 1-NN 在 z 空间里仍把+  同型细胞映射到相近的晚型质心附近）。+- 位移方向余弦均值 0.41（部分集中，非完全分散）。+- β=0 时 `n_nn_types=0, n_moved=0`，输出（X 与 spatial_3D）与父节点 5 逐位一致+  （`np.array_equal` = True），确认管线重写无隐蔽差异。++## 对照结果（`vec-score --task T2:embryo:val_interp`，代理，seed 0）++| 配置 | β=Scale·t | 榜分 | cell_state | expr_change | shape | local_spatial |+|---|---:|---:|---:|---:|---:|---:|+| 父/β=0（机制关） | 0.00 | **59.88** | 52.56 | 60.17 | 68.53 | 58.27 |+| β_scale=0.05 | 0.02 | 59.19 | 49.78 | 60.24 | 68.94 | 57.81 |+| β_scale=0.10 | 0.04 | 58.78 | 48.32 | 60.98 | 68.42 | 57.39 |+| β_scale=0.10 无坐标 | 0.04 | 58.94 | 48.32 | 60.98 | 68.53 | 57.91 |+| β_scale=0.15 | 0.06 | 58.32 | 47.11 | 60.99 | 68.36 | 56.81 |+| β_scale=−0.05 | −0.02 | 59.99 | 52.71 | 60.11 | 68.52 | 58.62 |+| β_scale=−0.10 | −0.04 | 59.91 | 52.85 | 60.07 | 67.89 | 58.82 |++（父节点正式分 60.63，代理自报 59.88，与本对照 β=0 一致。）++## 结论：机制在本代理上被否决，按 PLAN 失败条款回退 β=0++1. **正 β 单调降分**：cell_state 随 β 增大单调下降（52.6→49.8→48.3→47.1），榜分同步下降。+   把早细胞拉向晚阶段最近邻 = 让它们「变老」，而父节点的核心发现恰恰是目标比朴素 mix 更+   「年轻」（t_draw 减半大幅提升 cell_state）。方向相反，故位移越大越差。+2. **负 β 在噪声内**：−0.05 给 59.99（+0.11），−0.10 给 59.91（−0.03），均 < T2 噪声 ~1，+   cell_state 仅 +0.15/+0.29，不是可迁移的真实改进，不予采用。+3. **机制本身退化**：disp_cv=0.073 < PLAN 的 0.15 阈值，硬 1-NN 未能避免向类均值坍缩，+   与父节点 ANALYSIS 对 barycentric OT 的失败诊断同源。++因此提交 `BETA_SCALE=0.0`（机制关闭），输出与父节点 5 逐位一致。这是一个诚实的失败节点：+PLAN 指定的 method family 已完整实现并验证，但在代理上不成立，未混入其它方法冒充。++## 验证过 / 未验证++- 已验证：机制在 β≠0 时确实逐细胞改变了 2861 个早细胞的表达与坐标；β=0 与父逐位一致；+  seed 0/1/2 均 `vec-check` ok 且输出随 seed 变化（确定性）；单输入退路（b is None）保留。+- 未验证：负 β 未在真实括号（t=1/3）上单独跑（代理已判其在噪声内，不值得占用查询额度）。+- 生物学知识来源：仅用到父节点已有的通用流程（谱系无关的几何对齐与分层抽样），未引入+  任何保留阶段/基因型的测量信息。++## 下一步建议++- 放弃逐细胞位移路线（barycentric OT 与硬 1-NN 均已实测否决，disp_cv 都 <0.15）。+- 回到父节点 ANALYSIS 的联合网格：`t_draw∈{0.4,0.5,0.6}·t × scale_damp∈{0.4,0.5,0.65}`，+  目标在保住 cell_state≥50 的前提下把 shape_scale 拉回 72+（本节点 shape 稳在 68 附近）。diff --git a/solution/run.py b/solution/run.pyindex e6a41f3..08de38c 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,5 +1,5 @@ #!/usr/bin/env python3-"""mix + per-type Sinkhorn OT single-cell displacement (T2 interpolation).+"""mix + per-type hard 1-NN single-cell displacement (T2 interpolation).  Base pipeline is the parent's mix: bracket the target with the nearest inputs, align frames (procrustes3d), rescale both clouds to the damped log-linear RMS,@@ -8,21 +8,23 @@ T_DRAW_FRAC=0.5, chosen on the proxy where later-stage-heavy mixes collapse cell_state), the rest from the earlier one.  Added mechanism (family T2EI-02): for every cell type shared by the two-bracketing stages, build a cost matrix between the drawn earlier-stage cells-and a subsample (<=1000) of the later-stage cells of the same type-(z-scored expression, squared Euclidean), solve an entropy-regularised-balanced OT with log-domain Sinkhorn (<=200 iters, eps = EPS_FRAC * var(cost)),-and take the barycentric map m_i of each earlier cell. Each drawn earlier-cell outputs x_i + beta*(m_i - x_i); later cells stay untouched. Coordinates-get the same per-cell weight beta toward the barycentric coordinate of the-matched later cells, so expression and position move together.-beta = BETA_SCALE * t when enabled. The OT step is DISABLED by default-(T2_OT_ON=1 to enable): on the proxy every beta tested lowered the board score-(54.3 / 50.8 / 44.3 vs parent 57.2), see METHOD.md. With the mechanism off the-output is bit-for-bit the parent pipeline plus the t_draw change.--All parameters are derived at runtime from the manifest and the cost matrices;-nothing about any stage is hardcoded.+bracketing stages (with >= MIN_TYPE_CELLS drawn earlier cells), find each drawn+earlier-stage cell's hard 1-nearest neighbour among later-stage cells of the+same type (subsample <=1000, z-scored expression, squared Euclidean, argmin --+no Sinkhorn, no eps) and output x_i + beta*(x_nn - x_i); later cells stay+untouched. Coordinates get the same per-cell weight beta toward the matched+cell's position. beta = BETA_SCALE * t when enabled.++The mechanism is DISABLED by default (BETA_SCALE=0.0): on the proxy every beta+lowered the board score monotonically (59.19 / 58.78 / 58.32 for beta_scale+0.05/0.10/0.15 vs parent 59.88), negative beta was within noise (59.99 /+59.91), and the displacement-norm CV (0.073) stayed below the 0.15 success+threshold, i.e. the hard-1NN map degenerated toward a near-constant shift (see+METHOD.md). With beta=0 the displacement block is skipped and the output is+bit-for-bit the parent pipeline.++All parameters are derived at runtime from the manifest and the data; nothing+about any stage is hardcoded. """  from __future__ import annotations@@ -41,13 +43,12 @@ from src.task2_spatial.transport import as_dense from src.task2_spatial.view_io import board_params, interp_bracket, load_manifest, panel_genes, read_stage, write_t2  PARAMS = {"align": "procrustes3d", "scale_damp": 0.5}-EPS_FRAC = float(os.environ.get("T2_OT_EPS", "0.03"))-BETA_SCALE = float(os.environ.get("T2_OT_BETA", "1.0"))-OT_ON = os.environ.get("T2_OT_ON", "0") == "1"  # PLAN mechanism, rejected by proxy scores (see METHOD.md)+BETA_SCALE = float(os.environ.get("T2_NN_BETA", "0.0"))  # hard-1NN displacement strength; 0.0 = mechanism off (see METHOD.md)+OT_ON = os.environ.get("T2_OT_ON", "1") == "1"  # PLAN mechanism: hard 1-NN displacement OT_COORD = os.environ.get("T2_OT_COORD", "1") == "1" T_DRAW_FRAC = float(os.environ.get("T2_T_DRAW_FRAC", "0.5"))  # later-stage draw fraction = T_DRAW_FRAC * t OT_MAX_SIDE = 1000-SINKHORN_ITERS = 200+MIN_TYPE_CELLS = 5   def _sqdist(a: np.ndarray, b: np.ndarray) -> np.ndarray:@@ -56,78 +57,59 @@ def _sqdist(a: np.ndarray, b: np.ndarray) -> np.ndarray:     return np.maximum(aa + bb - 2.0 * (a @ b.T), 0.0)  -def _sinkhorn_log(cost: np.ndarray, eps: float) -> np.ndarray:-    n, m = cost.shape-    log_a = np.full(n, -np.log(n))-    log_b = np.full(m, -np.log(m))-    k = -cost / max(eps, 1e-12)-    k -= k.max()-    f = np.zeros(n)-    g = np.zeros(m)-    for _ in range(SINKHORN_ITERS):-        f = -np.log(np.exp(k + g[None, :]).sum(axis=1) + 1e-300) + log_a-        g = -np.log(np.exp(k + f[:, None]).sum(axis=0) + 1e-300) + log_b-    log_plan = k + f[:, None] + g[None, :]-    log_plan -= log_plan.max()-    plan = np.exp(log_plan)-    plan /= max(plan.sum(), 1e-300)-    if not np.isfinite(plan).all() or plan.sum() <= 0:-        return np.outer(np.full(n, 1.0 / n), np.full(m, 1.0 / m))-    return plan---def type_ot_displacement(labels_a_drawn, stage_b, cb, xa, pa, beta, eps_frac, rng):-    """Per-shared-type barycentric displacement of drawn earlier-stage cells."""+def type_nn_displacement(labels_a_drawn, stage_b, cb, xa, pa, beta, rng):+    """Per-shared-type hard 1-NN displacement of drawn earlier-stage cells.++    For each cell type shared by both bracket stages, find each drawn+    earlier-stage cell's unique nearest neighbour among (subsampled) later+    stage cells of the same type in z-scored expression space, and move the+    earlier cell a fraction beta toward that neighbour: x_out = x + beta*(x_nn - x).+    Coordinates move with the same per-cell weight toward the matched cell's+    position. Types with fewer than MIN_TYPE_CELLS drawn early cells are skipped.+    """     dx = np.zeros_like(xa, dtype=np.float64)     dp = np.zeros_like(pa, dtype=np.float64)     lb = np.asarray(stage_b.labels).astype(str)     la = np.asarray(labels_a_drawn).astype(str)-    n_ot_types = 0+    n_nn_types = 0     cv_list = []+    n_moved = 0+    cos_list = []     for typ in sorted(set(la) & set(lb)):         rows = np.flatnonzero(la == typ)         pool = np.flatnonzero(lb == typ)-        if rows.size == 0 or pool.size == 0:+        if rows.size < MIN_TYPE_CELLS or pool.size == 0:             continue         cols = pool if pool.size <= OT_MAX_SIDE else np.sort(rng.choice(pool, OT_MAX_SIDE, replace=False))         Xa = xa[rows].astype(np.float64)         Xb = as_dense(stage_b.X, cols).astype(np.float64)         Pb = np.asarray(cb[cols], dtype=np.float64)-        if rows.size > OT_MAX_SIDE:-            ot_rows = np.sort(rng.choice(rows.size, OT_MAX_SIDE, replace=False))-        else:-            ot_rows = np.arange(rows.size)-        Zo = ot_rows-        M = np.vstack([Xa[Zo], Xb])+        M = np.vstack([Xa, Xb])         mu = M.mean(axis=0)         sd = M.std(axis=0) + 1e-8-        Za = (Xa[Zo] - mu) / sd+        Za = (Xa - mu) / sd         Zb = (Xb - mu) / sd-        cost = _sqdist(Za, Zb)-        eps = eps_frac * float(cost.mean() + 1e-12)-        plan = _sinkhorn_log(cost, eps)-        mass = plan.sum(axis=1, keepdims=True) + 1e-12-        mx = (plan @ Xb) / mass-        mp = (plan @ Pb) / mass-        dx_ot = beta * (mx - Xa[Zo])-        dp_ot = beta * (mp - pa[rows][Zo])-        if not (np.isfinite(dx_ot).all() and np.isfinite(dp_ot).all()):+        nn = np.argmin(_sqdist(Za, Zb), axis=1)+        dx_t = beta * (Xb[nn] - Xa)+        dp_t = beta * (Pb[nn] - pa[rows])+        if not (np.isfinite(dx_t).all() and np.isfinite(dp_t).all()):             continue-        if Zo.size == rows.size:-            dx[rows] = dx_ot-            dp[rows] = dp_ot-        else:-            # broadcast the subsampled map to the remaining cells of this type-            rest = np.setdiff1d(np.arange(rows.size), Zo)-            nn = np.argmin(_sqdist((Xa[rest] - mu) / sd, Za), axis=1)-            dx[rows[rest]] = dx_ot[nn]-            dp[rows[rest]] = dp_ot[nn]-        norms = np.linalg.norm(dx_ot, axis=1)+        dx[rows] = dx_t+        dp[rows] = dp_t+        norms = np.linalg.norm(dx_t, axis=1)+        n_moved += int((norms > 1e-9).sum())         if norms.mean() > 1e-9:             cv_list.append(float(norms.std() / (norms.mean() + 1e-12)))-        n_ot_types += 1+        if rows.size >= 2:+            u = dx_t / (norms[:, None] + 1e-12)+            cs = u @ u.T+            iu = np.triu_indices(rows.size, k=1)+            cos_list.append(float(cs[iu].mean()))+        n_nn_types += 1     cv = float(np.mean(cv_list)) if cv_list else 0.0-    return dx.astype(np.float32), dp, n_ot_types, cv+    mean_cos = float(np.mean(cos_list)) if cos_list else 0.0+    return dx.astype(np.float32), dp, n_nn_types, cv, n_moved, mean_cos+   def main() -> None:@@ -170,11 +152,11 @@ def main() -> None:     pb = np.asarray(cb[ib], dtype=np.float64) if ib.size else np.zeros((0, 3))      beta = BETA_SCALE * t if OT_ON else 0.0-    n_ot_types, disp_cv = 0, 0.0-    if beta > 0.0 and ia.size and ib.size:+    n_nn_types, disp_cv, n_moved, mean_cos = 0, 0.0, 0, 0.0+    if beta != 0.0 and ia.size and ib.size:         rng_ot = np.random.default_rng(int(params.get("seed", 0)) + 777)-        dx, dp, n_ot_types, disp_cv = type_ot_displacement(-            stage_a.labels[ia], stage_b, cb, xa, pa, beta, EPS_FRAC, rng_ot+        dx, dp, n_nn_types, disp_cv, n_moved, mean_cos = type_nn_displacement(+            stage_a.labels[ia], stage_b, cb, xa, pa, beta, rng_ot         )         xa = np.clip(xa.astype(np.float64) + dx, 0.0, None).astype(np.float32)         if OT_COORD:@@ -192,11 +174,12 @@ def main() -> None:     coords = _jitter(np.vstack(coord_parts), rng)     coords = scale_to_rms(coords, target_rms)     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))+                align=align, scale_damp=damp, beta=beta,+                n_nn_types=n_nn_types, disp_cv=disp_cv, n_moved=n_moved, mean_cos=mean_cos,+                n_from_a=int(ia.size), n_from_b=int(ib.size))     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")}+                                     "z_flipped", "align", "beta", "n_nn_types", "disp_cv", "mean_cos",+                                     "n_moved", "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.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. Summary:

**做了什么**：按 PLAN（family T2EI-02）把父节点 5 的 barycentric Sinkhorn OT 位移替换为逐细胞硬 1-最近邻位移（z-score 表达 argmin，β=BETA_SCALE·t，坐标同权重），加了最小类型阈值（≥5）和单输入退路，并实现了 β=0 的机制关闭对照。

**查分结果**（代理，7 次查询）：β=0 对照 59.88（与父逐位一致，`np.array_equal`=True）；正 β 单调降分（0.05→59.19，0.10→58.78，0.15→58.32，cell_state 52.6→47.1）；负 β 在噪声内（−0.05→59.99，−0.10→59.91）。机制生效但退化：11 型建图、2861/5000 细胞被位移，位移范数 CV=0.073 < PLAN 的 0.15 阈值，即硬 1-NN 仍坍缩成近常数位移。按 PLAN 失败条款提交 `BETA_SCALE=0.0`（输出与父节点逐位相同），METHOD.md 如实记录否决证据；seed 0/1/2 均通过 `vec-check`。

**下一步最值得试**：放弃逐细胞位移路线（barycentric OT 与硬 1-NN 均已实测否决）；改走父节点 ANALYSIS 建议的联合网格 `t_draw∈{0.4,0.5,0.6}·t × scale_damp∈{0.4,0.5,0.65}`，目标是在 cell_state≥50 前提下把 shape_scale 从 68 拉回 72+。

调研员

失败原因：位移范数 CV 仅 0.05–0.10，退化为近似常数（型均值）位移，产生非真实中间表达，所有 β（0.25/0.4/0.6）均降分（44.3–54.3 vs 父 57.2）。ANALYSIS 明确建议'若再试逐细胞位移，改用硬匹配（最近邻或 eps→0 极限）避免向类型均值坍缩'。当前管线中早阶段被抽中细胞未经任何时间调整直接输出，仍偏'年轻'，是 cell_state 残余损失的结构性原因。",
  "approach": "保留父节点全部流程（procrustes3d、scale_damp=0.5、t_draw=0.5·t、分层抽样）。在 mix_indices 抽出细胞后，新增逐细胞硬最近邻位移步骤：\n1. 对每个共有类型（早阶段被抽中细胞 ∩ 晚阶段同类型细胞），晚阶段池下采样至 ≤1000。\n2. 联合 z-score 表达（均值/标准差取自早+晚合并），计算每个早阶段细胞到所有晚阶段细胞的平方欧氏距离，取 argmin（1-NN，不用 Sinkhorn、无 eps 参数）。\n3. 位移：x_out = x_early + β·(x_NN − x_early)；坐标同权重同位移（默认开，可关）。\n4. β = BETA_SCALE·t，BETA_SCALE 初值 0.15，网格 {0.10, 0.15, 0.20, 0.30}；用 vec-score 在代理上逐值筛，门槛：cell_state ≥ 53（不低于父）且榜分 > 60.63 才接受。\n5. 单输入退路：若 b is None（只有一个输入阶段），整段跳过，输出与父节点逐位一致。\n6. 实现用 numpy argmin（≤1000×1000 距离矩阵），无需 scipy；预计增加 <0.5 s。\n7. 若 β=0.15 代理上 cell_state 提升 ≥2 分且榜分 > 61，直接提交；否则扫完网格再决定。若全部 β 均不超父，回退为 β=0（与父逐位一致），如实报告失败。",
  "expected_groups": ["cell_state"],
  "risks": "1) 硬 1-NN 在小类型（<10 个细胞）中匹配噪声大，位移方向可能错误→设最小类型大小阈值（≥5 个早阶段细胞），小于阈值跳过。2) β 过大时细胞被拉向特定晚阶段细胞、丧失多样性→从 0.10 起扫，代理上先跑再全量。3) 代理（E6.75+E8.0→E7.25）与真实（E8.5+E9.5→E9.0）括号细胞类型组成不同，1-NN 位移效果可能不迁移→β 用 t 的比例而非绝对值，保持可迁移性。4) 30 分钟内扫 4 个 β 值需每次 ~3 s 代理运行，总计 <1 min，留足实现时间。Engineer 若发现代理上 cell_state 未升（<53），立即停止扫参、回退 β=0。",
  "family_id": "T2EI-02",
  "mechanism": "对每个共有类型的早阶段被抽中细胞，用硬 1-最近邻（argmin 距离）在晚阶段同类型细胞中找到唯一匹配，将早阶段细胞沿该匹配方向位移 β·(x_NN−x)，使早阶段细胞向目标时间的真实表达状态靠拢，而非拉向类型均值。",
  "vs_constant_shift": "常数位移对同一类型的所有细胞施加相同向量；本方案中每个细胞的位移方向和大小取决于其自身在表达空间中的位置及其唯一最近邻的位置，型内位移向量各不相同。预期位移范数 CV >> 0.10（父节点 barycentric OT 仅 0.05–0.10），若 CV 仍 <0.15 则机制退化为近似常数位移，应视为失败。",
  "mechanism_evidence": "Engineer 需记录并报告：1) 每个共有类型的位移范数均值与 CV（目标 CV > 0.25，远高于 barycentric 的 0.05–0.10）；2) 被位移细胞数占总抽中细胞数的比例；3) 位移方向的余弦相似度分布（应分散，非集中于单一方向）；4) 四组分各自变化，尤其 cell_state 是否上升；5) β=0 时输出与父节点逐位一致的验证。",
  "mechanism_off_control": "设 β=0（即 BETA_SCALE=0 或环境变量 T2_NN_BETA=0），位移公式退化为 x_out = x_early + 0 = x_early，所有细胞表达与坐标不变。Engineer 须验证此时输出（X 矩阵与 spatial_3D）与父节点 5 逐位相同（np.array_equal），确认管线重写无隐蔽差异。预期差别：关闭后分数回到父节点 ≈60.63；开启后若 cell_state 上升则机制有效。"
}
```

审查员

REVIEW.json written