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

节点 n19

实现PLAN T2HI-06：融合坐标云的PCA逐轴异速缩放（实测因子≈1、proxy上结构性退化、分数中性，默认关）与PCA手性canonicalization（det −1→+1、消除取向方差，默认开），关闭对照与节点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 7a54c1b282: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 dcf313cf64。改动的文件：solution/METHOD.md +19 −27、solution/run.py +104 −0

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex e16fd4d..86f332b 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,44 +1,36 @@-chg_l2门控坐标位移已实现检验：α_low<1单调降分（机制证伪），保留α=1；转向加大高失配细胞表达过冲 γ=1.2→2.8、q=0.7→0.8，A半 60.76→61.35（seed1 61.55）。+实现PLAN T2HI-06：融合坐标云的PCA逐轴异速缩放（实测因子≈1、proxy上结构性退化、分数中性，默认关）与PCA手性canonicalization（det −1→+1、消除取向方差，默认开），关闭对照与节点18逐位一致。 -## 方法（family T2HI-04 → T2HI-01，improve 自节点 16）+## 方法（family T2HI-06，improve 自节点 18） -流程与节点 16 相同：双 bracket 组成插值 → Procrustes 对齐 → 缩放到插值 RMS → 型内 NN 坐标融合（α=1.0）→ chg_l2 分位数门控的逐细胞表达混合 `X_b <- X_b + γ*(X_a_nn − X_b)`。+底座与节点 18 完全相同：双 bracket 组成插值 → Procrustes 对齐 → 统一缩放到 log 插值 RMS → 型内 NN 坐标融合（α=1.0）→ chg_l2 分位数门控表达混合（q=0.8, γ=2.8）。表达侧未做任何改动。 -### PLAN 机制（坐标门控）：已实现，检验后被证伪，提交态关闭+在最终坐标云（jitter + 统一 RMS 缩放之后、写出之前）新增两步，均在 `run.py`： -新增 `T2HI_ALPHA_LOW`（+`T2HI_GATE_Q_COORD`，默认与表达门控同 q）：对 chg_l2 低于门控阈值的被融合 b 细胞，把坐标位移从 α=1.0（落到 a 侧 NN 位置）回撤为 `cb_pre + α_low*(ca_nn − cb_pre)`。机制确实生效：α_low=0.5 时低失配组 1591 细胞位移 65.9（vs 高失配组 682 细胞 254.3），α_low=0 时低失配组位移为 0。+1. **步骤2 PCA canonicalization（`T2HI_CANON`，默认 1，提交态开）**：减质心 → SVD 取 PCA 轴旋转 → 若 det<0 翻转最后一轴强制 det=+1 → 每轴按第三矩（偏度）符号定向。`_canonicalize()`。+2. **步骤1 per-axis anisotropic scaling（`T2HI_ANISO`，默认 0，提交态关）**：对输出云 PCA，分别计算 lower-bracket 子云（前 n_a 个细胞）与 upper-bracket 子云在每轴上的 σ_lo[k]、σ_hi[k]，目标 σ_target[k]=exp((1−t)·lnσ_lo[k]+t·lnσ_hi[k])，每轴乘 σ_target[k]/σ_current[k]；σ<1e-6 的轴跳过。单 bracket 退化时因子恒为 1。`_aniso_scale()`。 -**但方向错误（PLAN 风险 1 兑现）**：A 半分随 α_low 单调上升 60.11(0)→60.26(0.3)→60.36(0.5)→60.50(0.7)→60.76(1.0)，local_spatial 同步单调 55.73→57.49，shape_scale 52.77→53.62，neighborhood_mmd 与 d2_shape 也全程单调。低失配细胞的 a 侧 NN 位移本身对局部空间与形状都有正贡献，"表达已匹配的细胞不该被搬移"的假设不成立。过冲方向 α_low=1.3 也降分（60.64）。**提交态默认 T2HI_ALPHA_LOW=1.0（无操作对照），坐标逻辑与节点 16 逐位一致。**+两步只依赖数据与 t（时间差），不依赖视图路径/绝对时间，满足视图无关要求；t≤0 fallback（copy_last 路径）不施加任何旋转，保持"原样输出"语义。 -### 实际提交的改进：高失配细胞的表达过冲 γ 与门控 q 重扫+## 机制生效证据（PLAN mechanism_evidence 四项） -坐标门控失败后，沿父节点 next_suggestions #2/#3 扫 γ×q（均 α_low=1.0）：+1. **三轴缩放因子**（proxy, seed 0）：factors=[0.9996, 0.9878, 0.9984]，σ_lo=[243.6, 209.4, 151.3]、σ_hi=[237.0, 166.3, 163.9]、σ_cur=[241.0, 193.3, 156.5]、σ_target=[240.9, 191.0, 156.2]。因子确实逐轴不同（≠均匀），机制在代码层面生效；但幅度 ≤1.2%——**(1−t)/t 混合云本身的逐轴 σ 已自动接近对数插值目标，该机制对 mix 家族结构性近退化**，这是本节点的主要负结果。+2. **canonicalization det**：det_before=−1.000 → 强制 +1，偏度定向 flips=[−1,+1,−1]（净 det 仍 +1）。原坐标云确实处于反射手性，canon 实际改变了输出坐标（旋转/反射，非恒等）。+3. **四组分逐项变化**（A半，seed 0，vs 父节点 61.35）：canon-only 61.346：expr_change 67.82(+0.00)、cell_state 66.13(+0.00)、shape_scale 53.62(+0.00)、local_spatial 57.81(+0.00)；aniso+canon 61.344：shape_scale 53.61(−0.01)、local_spatial 57.82(+0.01)，d2_shape 0.03545→0.03582、scale_log_ratio 0.4669→0.4626（有响应但在噪声内）。**评分器对整体旋转/反射不变**（canon 改变坐标却不改变任何 metric 到 3 位小数），PLAN 假设的"取向方差"在固定输入下不存在（管线本身确定）。+4. **两种子 shape_scale 方差**：canon 版 seed0 shape_scale=53.62、seed1=54.00，与父节点（61.35/61.55 及同组分值）逐位一致，方差无变化（本就为确定性零方差）。 -| 配置（q, γ） | A半榜分 | expr_change | cell_state | local_spatial | shape_scale |-|---|---:|---:|---:|---:|---:|-| (0.7, 1.2) 节点16 | 60.76 | 66.05 | 65.87 | 57.49 | 53.62 |-| (0.7, 1.4 / 1.6) | 60.83 / 60.90 | 66.22 / 66.42 | 65.89 | 57.60 / 57.69 | 53.62 |-| (0.7, 1.8 / 2.0 / 2.4 / 3.0) | 60.97 / 61.02 / 61.16 / 61.17 | →67.27 | 65.6–65.9 | →58.14 | 53.62 |-| (0.6, 1.6) | 60.88 | 66.51 | 65.56 | 57.85 | 53.62 |-| (0.8, 1.6 / 2.0 / 2.4) | 60.93 / 61.14 / 61.27 | →67.56 | 66.17–66.20 | 57.6–57.7 | 53.62 |-| (0.85, 2.0 / 2.4) | 60.95 / 61.13 | 66.46 / 67.12 | 66.2 | 57.5 / 57.6 | 53.62 |-| **(0.8, 2.8)（提交）** | **61.35** | **67.82** | **66.13** | **57.81** | **53.62** |+## 机制关闭对照（PLAN mechanism_off_control） -- γ 与 q 存在补偿关系：q 越高（混合细胞越少）可承受的 γ 越大。q=0.8 保留 455/2273（20%）高失配细胞，γ=2.8 把它们大幅推向 a 侧 NN 表达之外（型内方差 604→3011），expr_change 66.05→67.82、cell_state 65.87→66.13、local_spatial 57.49→57.81 三组同升，shape_scale 不动（坐标未改）。-- γ=3.0/q=0.7 与 γ=2.4/q=0.7 平台在 61.16，γ=2.8/q=0.8 是网格内最高点；边界未完全探明（γ>2.8×q=0.8 与 q=0.9 未测，额度用尽）。-- **种子稳健性**：提交配置 seed 1 = 61.55（节点 16 seed 1 为 60.99，+0.56 与 seed 0 的 +0.59 一致），非单种子噪声。+`T2HI_ANISO=0 T2HI_CANON=0`：输出与节点 18 默认输出 **np.array_equal 验证 X 与坐标逐位一致**（未查分，因逐位相同分数必然相同 = A半 61.35 / 正式 61.87）。开启后（提交态）：A半 seed0 61.346 / seed1 61.5518，vs 父 61.35 / 61.55——差别 <0.01，远小于噪声。 -## 提交态默认与开关+## 结论与处置（PLAN 风险 3 兑现） -- 默认：`T2HI_GATE_Q=0.8`、`T2HI_GAMMA=2.8`、`T2HI_ALPHA_LOW=1.0`（坐标门控关）、`T2HI_GATE_MODE=global`。-- 机制关闭对照：坐标门控的 off 态即 `T2HI_ALPHA_LOW=1.0`（默认），输出与不门控逐元素一致（已验证）；`T2HI_GATE_Q=0.7 T2HI_GAMMA=1.2` 完整复现节点 16 输出（np.array_equal 验证 X+坐标）。-- 门控阈值来自当次运行 chg_l2 的现场分位数统计，γ 为全局标量但混合逐细胞异质（`X_b + γ*(X_a_nn−X_b)`，每细胞不同 NN），非常数位移。+aniso+canon 合计 shape_scale 提升 = −0.01~0.00 < 0.5，按 PLAN 步骤 3/风险 3 判机制在 proxy 上无效，提交仅 canonicalization 版本（保守消除手性歧义，代价为零）。aniso 代码保留、开关可复现全部测量。shape_scale 54.46（正式）对逐轴尺度微扰完全无响应，与节点 10–18 的表达侧、弥散、径向尺度实验一致：**该组分的瓶颈不在输出云的二阶形状统计**，而在 scale_log_ratio≈0.47（RMS 目标与真值的 log 比）与 occupancy 一侧；proxy 上任何由 bracket 内插得到的 RMS 都够不到真值（方法卡已注明该非单调性），在不触碰保留信息的前提下 proxy 无法验证 RMS 方向的改动。  ## 验证过 / 未验证 -- 已验证：默认输出=网格最优点 g2.8q0.8（逐元素）；同 seed 两次运行一致；vec-check ok；~2s、<1GB；α_low∈{0,0.3,0.5,0.7,1.0,1.3} 全网格、γ∈{1.4,…,3.0}×q∈{0.6,0.7,0.8,0.85} 网格、seed1 复核。-- 未验证：正式分 B 半（A 半 +0.59 略高于噪声边缘，但 seed0/seed1 一致，且改动方向与父节点 lessons 的"多分组净增益>噪声"判据相符：expr_change +1.77、cell_state +0.26、local_spatial +0.32）；真实括号 31 共有型上 γ=2.8 大幅过冲的最优性（proxy 仅 5 型、chg_l2 分布不同，q=0.8 在真实括号保留的细胞比例未知）；γ=2.8 使型内方差扩到 3011（节点16 为 758），若真实评测的 mmd/variogram 对离群表达更敏感可能回吐。+- 已验证：默认输出=canon_s0（逐位）；同 seed 两次运行逐位一致（确定性）；off 对照与节点 18 逐位一致；vec-check ok；A半 seed0 61.346、seed1 61.552；~2s、<1GB。+- 未验证：正式分 B 半（预期与父节点 61.87 几乎相同，改动分数中性）；真实括号（31 共有型、E8.25→E8.75 形状差异更大）上 aniso 因子是否仍 ≈1——若真实两 bracket 逐轴 σ 差异大，aniso 会有实质形变，但方向无任何评测可验证，故提交态关闭；canon 在无反射手性的真实云上是近恒等（仅偏度定向），无风险。  ## 知识来源 -未使用任何保留阶段/基因型信息或文献数值；所有统计量（chg_l2、分位数、NN 配对、型内方差）均由两 bracket 输入现场计算。细胞类型名仅用于型内 NN 配对（来自输入 obs 标签）。external/ 与 prior/ 未使用。+未使用任何保留阶段/基因型信息、文献数值或外部数据（external/、prior/ 未读）。所有统计量（PCA 轴、逐轴 σ、det、偏度符号、分位数、NN 配对）均由当次视图输入现场计算。生物学知识仅沿用父节点：细胞类型标签用于型内 NN 配对（来自输入 obs）。diff --git a/solution/run.py b/solution/run.pyindex f4963e5..0b3f10e 100644--- a/solution/run.py+++ b/solution/run.py@@ -40,6 +40,13 @@ cells keep the full alpha=1.0 move. T2HI_ALPHA_LOW=1.0 is the mechanism-off control (output identical to the ungated node-16 fusion). T2HI_GATE_Q_COORD (default: same as T2HI_GATE_Q) allows a separate quantile for the coordinate gate. Coordinate gating applies on the default blend_ref=all path only.+T2HI_CANON (default 1, ON) canonicalizes the final output cloud: centre ->+PCA rotate -> det forced to +1 -> per-axis third-moment sign orientation+(family T2HI-06). T2HI_ANISO (default 0, OFF; measured score-neutral on the+proxy) additionally rescales each PCA axis of the output cloud to the+log-interpolated per-axis sigma of the two bracket sub-clouds. Both are+applied after the uniform RMS scaling and only on the mix path; with both+off the output is identical to node 18. """  from __future__ import annotations@@ -172,6 +179,72 @@ def _blend_within_type(     return out_a, out_b, stats  +def _pca_axes(X: np.ndarray) -> tuple[np.ndarray, np.ndarray]:+    """Centroid and PCA axes (rows of Vt, ordered by singular value)."""+    mu = X.mean(axis=0)+    _, _, vt = np.linalg.svd(X - mu, full_matrices=False)+    return mu, vt+++def _aniso_scale(coords: np.ndarray, n_a: int, t: float) -> tuple[np.ndarray, dict]:+    """Per-axis anisotropic rescaling of the fused output cloud (family T2HI-06).++    In the PCA frame of the full cloud, each axis k is rescaled to+    sigma_target[k] = exp((1-t)*ln sigma_lo[k] + t*ln sigma_hi[k]), where+    sigma_lo / sigma_hi are per-axis stds of the lower- / upper-bracket+    sub-clouds. Axes with degenerate std (<1e-6) are left untouched (uniform+    scaling fallback). Single-bracket input -> n_a == n -> sigma_lo ==+    sigma_hi == sigma_cur -> identity factors.+    """+    mu, vt = _pca_axes(coords)+    Y = (coords - mu) @ vt.T+    lo, hi = Y[:n_a], Y[n_a:]+    sig_cur = Y.std(axis=0)+    if lo.shape[0] <= 1 or hi.shape[0] <= 1:+        # Degenerate bracket: sigma_lo := sigma_hi := sigma_cur -> identity.+        return coords.copy(), {+            "sigma_lo": sig_cur.copy(), "sigma_hi": sig_cur.copy(),+            "sigma_cur": sig_cur.copy(), "sigma_target": sig_cur.copy(),+            "factors": np.ones(Y.shape[1]), "degenerate": True,+        }+    sig_lo = lo.std(axis=0)+    sig_hi = hi.std(axis=0)+    factors = np.ones(Y.shape[1])+    sig_t = sig_cur.copy()+    for k in range(Y.shape[1]):+        if sig_lo[k] < 1e-6 or sig_hi[k] < 1e-6 or sig_cur[k] < 1e-6:+            continue+        sig_t[k] = float(np.exp((1.0 - t) * np.log(sig_lo[k]) + t * np.log(sig_hi[k])))+        factors[k] = sig_t[k] / sig_cur[k]+    out = (Y * factors) @ vt + mu+    info = {+        "sigma_lo": sig_lo.copy(), "sigma_hi": sig_hi.copy(),+        "sigma_cur": sig_cur.copy(), "sigma_target": sig_t.copy(),+        "factors": factors.copy(),+    }+    return out, info+++def _canonicalize(coords: np.ndarray) -> tuple[np.ndarray, dict]:+    """PCA canonicalization: centre -> PCA rotate -> force det=+1 (flip last+    axis if needed) -> orient each axis by its third-moment (skew) sign."""+    mu, vt = _pca_axes(coords)+    R = vt.T+    det0 = float(np.linalg.det(R))+    if det0 < 0:+        vt = vt.copy()+        vt[-1] *= -1.0+        R = vt.T+    Y = (coords - mu) @ vt.T+    flips = np.ones(Y.shape[1])+    for k in range(Y.shape[1]):+        if float((Y[:, k] ** 3).mean()) < 0:+            Y[:, k] *= -1.0+            flips[k] = -1.0+    det1 = float(np.linalg.det(R)) * float(np.prod(flips))+    return Y + mu, {"det_before": det0, "det_after": det1, "skew_flips": flips.copy()}++ def main() -> None:     parser = argparse.ArgumentParser()     parser.add_argument("--data", required=True)@@ -400,6 +473,24 @@ def main() -> None:     coords = _jitter(np.vstack([ca[ia], cb[ib]]), rng)     coords = scale_to_rms(coords, target_rms) +    # Family T2HI-06: PCA canonicalization of the fused output cloud ++    # optional per-axis anisotropic scaling. Canonicalization default ON+    # (removes orientation/handedness variance; score-neutral on the proxy).+    # Anisotropic scaling default OFF: on the proxy its factors are within+    # 1.2% of uniform (a (1-t)/t mixture cloud already has per-axis sigmas at+    # the log-interpolated target, so the mechanism is near-degenerate) and it+    # changed shape_scale by -0.01 (noise); switch T2HI_ANISO=1 re-enables it.+    # Mechanism-off control: T2HI_ANISO=0 T2HI_CANON=0 -> output identical to+    # node 18 (verified bit-for-bit).+    aniso_on = os.environ.get("T2HI_ANISO", "0") != "0"+    canon_on = os.environ.get("T2HI_CANON", "1") != "0"+    aniso_info = None+    canon_info = None+    if aniso_on:+        coords, aniso_info = _aniso_scale(coords, int(ia.size), t)+    if canon_on:+        coords, canon_info = _canonicalize(coords)+     frac_b = float(ib.size) / max(expr.shape[0], 1)     n_sa = len(delta_a) if use_expr else 0     n_sb = len(delta_b) if use_expr else 0@@ -434,6 +525,19 @@ def main() -> None:                   f"cells_low={ci['cells_low']} cells_high={ci['cells_high']} "                   f"disp_low={ci['disp_low']:.1f} disp_high={ci['disp_high']:.1f}", flush=True) +    if aniso_info is not None:+        f = aniso_info["factors"]+        print(f"[aniso] factors={np.array2string(f, precision=4)} "+              f"sigma_lo={np.array2string(aniso_info['sigma_lo'], precision=2)} "+              f"sigma_hi={np.array2string(aniso_info['sigma_hi'], precision=2)} "+              f"sigma_cur={np.array2string(aniso_info['sigma_cur'], precision=2)} "+              f"sigma_target={np.array2string(aniso_info['sigma_target'], precision=2)} "+              f"rms_after={rms_radius(coords):.2f}", flush=True)+    if canon_info is not None:+        print(f"[canon] det_before={canon_info['det_before']:+.3f} "+              f"det_after={canon_info['det_after']:+.3f} "+              f"skew_flips={canon_info['skew_flips']}", flush=True)+     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

**做了什么**：按 PLAN（T2HI-06）在节点 18 坐标管线末端实现了 PCA 逐轴异速缩放（`T2HI_ANISO`）与手性 canonicalization（`T2HI_CANON`）。off 对照与节点 18 逐位一致；canon 实测 det −1→+1（真改变了坐标），aniso 三轴因子 [0.9996, 0.9878, 0.9984] 逐轴不同但 ≤1.2%——mix 混合云的逐轴 σ 已自动等于对数插值目标，机制对 mix 家族结构性近退化。

**查分**（3/20 次）：canon-only A半 seed0 **61.346** / seed1 **61.552**，与父节点 61.35/61.55 逐位同分；aniso+canon 61.344。shape_scale 变化 −0.01~0.00 < 0.5，PLAN 风险 3 兑现，按 PLAN 步骤 3 提交仅 canon 版本（分数中性、零代价消除手性歧义）。评分器对整体旋转/反射不变，且管线确定，"取向方差"假设不成立。

**下一步最值得试**：shape_scale 对输出云二阶形状统计（径向尺度、弥散、逐轴缩放、表达侧一切改动）已 8 个节点无响应；其瓶颈在 scale_log_ratio≈0.47 与 occupancy_dice 0.83 一侧——即 RMS 目标与占用格结构本身。建议下个节点做 occupancy/密度导向的坐标重排（如按 a 侧占用格投影 b 细胞），或直接检验评分器 shape 子指标对全局 RMS 的敏感度曲线（用数据驱动的 bracket 统计，不碰保留真值），若确认无响应则该组分判为 mix 家族的结构性天花板，改进火力应集中到 local_spatial（58.2）。

调研员

对混合云做均匀 RMS 缩放（log_interp），无法捕捉各轴异速生长；且 k026 指出 shape metric 的 PCA 对齐不固定 det，handedness 翻转导致同预测分数波动>噪声。父节点 next_suggestions#2 明确建议坐标侧独立实验。",
  "approach": "在节点18的 run.py 坐标管线（Procrustes → NN融合）之后、写出之前，新增两步：\n\n步骤1 — per-axis anisotropic scaling：\n  a) 对融合后输出云做 PCA（SVD，取前3轴）；\n  b) 分别计算 lower-bracket 子云和 upper-bracket 子云在每轴上的标准差 σ_lo[k], σ_hi[k]；\n  c) 目标 σ_target[k] = exp((1-t)*ln(σ_lo[k]) + t*ln(σ_hi[k]))（与现有 log_interp RMS 同公式，但逐轴）；\n  d) 将输出云在每轴上乘 σ_target[k]/σ_current[k]。\n  关键参数：无自由参数（完全由数据决定）；若某轴 σ<1e-6 则跳过该轴（退路=均匀缩放）。\n\n步骤2 — PCA canonicalization（k026）：\n  a) 减质心 → PCA 旋转 → 强制 det=+1（若 det<0 则最后一轴取反）→ 每轴按第三矩符号定向。\n  此步对每候选一致执行，仅消除取向方差。\n\n单输入阶段退路：若只有一个输入（无 bracket），σ_lo=σ_hi，per-axis scaling 退化为恒等变换，canonicalization 仍执行。\n\n验证流程：\n  1) 先只加 canonicalization（步骤2），vec-score 查 1 次，对比父节点看 shape_scale 是否稳定提升（预期 +0.3~1.0 来自方差消除）；\n  2) 再加 per-axis scaling（步骤1），vec-score 查 1 次；\n  3) 若两步合计 shape_scale 提升 <0.5，尝试仅保留 canonicalization 提交；\n  4) 若提升 ≥0.5，用 seed 1 复核一次确认非噪声。\n  预算：≤6 次 vec-score。",
  "expected_groups": ["shape_scale", "local_spatial"],
  "risks": "1) per-axis scaling 可能使型内空间连续性变差（局部拉伸），导致 local_spatial 回吐——Engineer 应在步骤1后同时检查 local_spatial 是否降 >0.5，若降则回退到仅 canonicalization；2) PCA 轴在混合云上可能不稳定（两 bracket 形状差异大时主轴跳动）——若两次运行结果不同（seed 0 vs seed 1），说明轴不稳定，回退；3) 提升可能 <1 分噪声——用 2 个 seed 确认，若均 <0.5 则判无效，提交仅 canonicalization 版本（至少消除取向方差）。",
  "family_id": "T2HI-06",
  "mechanism": "将均匀 RMS 缩放替换为逐轴异速缩放（捕捉各轴不同的生长速率），并通过固定 PCA 手性与轴方向消除评分器的取向敏感性。",
  "vs_constant_shift": "per-axis scaling 是乘性、轴依赖、位置依赖的变换：距质心越远的细胞在某轴上位移越大，且三轴缩放因子不同，改变云的形状（各向异性）；常数位移对所有细胞加同一向量，不改变形状。",
  "mechanism_evidence": "Engineer 应记录：(1) 三轴缩放因子 σ_target/σ_current 是否显著不同（若三者相等则机制退化为均匀缩放，未生效）；(2) canonicalization 前后 det 值（若原已 +1 且轴方向一致则无实际变化）；(3) shape_scale 与 local_spatial 四组分的逐项变化；(4) 两个 seed 的 shape_scale 方差是否缩小。",
  "mechanism_off_control": "关闭机制：设环境变量 T2HI_ANISO=0 且 T2HI_CANON=0，此时跳过步骤1和步骤2，输出与节点18逐位一致（均匀 RMS 缩放、无定向修正）。预期差别：关闭后三轴缩放因子被强制为同一值（=均匀），且不做手性修正；若机制有效，关闭后 shape_scale 应降回 54.46 附近。"
}
```

审查员

REVIEW.json written