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

节点 n21

实现PLAN T2HI-04结构性修复：把型内b→a的1-NN贪心换成容量约束最优指派（LAP），实测local_spatial零响应、shape/expression小幅变差，提交态默认关闭（输出与节点19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 5e9b420bfb: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 7a54c1b282。改动的文件：solution/METHOD.md +42 −19、solution/run.py +114 −8

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 86f332b..3d03d4f 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,36 +1,59 @@-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。+实现PLAN T2HI-04结构性修复：把型内b→a的1-NN贪心换成容量约束最优指派（LAP），实测local_spatial零响应、shape/expression小幅变差，提交态默认关闭（输出与节点19逐位一致）。 -## 方法（family T2HI-06，improve 自节点 18）+## 方法（family T2HI-04，improve 自节点 19） -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。+底座与节点 19 完全一致：双 bracket 组成插值 → Procrustes 对齐 → 统一 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（γ=2.8, q=0.8）→ jitter → RMS → PCA canon。表达侧未改动。 -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（`_capacity_assign`，`run.py`）：每个共有型内，b 侧细胞到 a 侧细胞的配对由「无约束 1-NN 贪心」改为**容量约束指派**——每个 a 细胞最多承接 `capacity` 个 b 细胞。两种模式： -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()`。+- `T2HI_CAP=c`：固定容量。指派用 a 侧复制 c 份后的**最优 LAP**（`scipy.optimize.linear_sum_assignment`，最小化总距离；行列式规模 n_b×(n_a·c) ≤ 6e7 时启用），超限则退回 kNN 贪心两轮（k=8→64，按距离升序稳定排序）。+- `T2HI_CAP_KAPPA=κ`：逐型容量 `cap=ceil(κ·n_b/n_a)`，κ=1 时 n_a·cap ≥ n_b，**保证零未融合**，只把占用摊平。+- `T2HI_CAP=0`（默认，提交态）：cap := n_b，走原 k=1 查询路径，**逐位退化为节点 19**。 -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。+未拿到槽位的 b 细胞保留 Procrustes 坐标（不融合），也不进入表达混合（`nn_b/nn_a` 只含已指派对）。 -## 机制生效证据（PLAN mechanism_evidence 四项）+## 机制生效证据（PLAN mechanism_evidence 五项，proxy seed 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）。+每型 n_b/n_a 实测（PLAN 风险 1 的反面：绝大多数型 n_b ≫ n_a，机制**有大量操作空间**）：NCC 0.76、Peri 9.29、V-CM 4.97、aPHM 1.25、pPHM 4.31；均值 4.11。共有型 a 侧合计 7115、b 侧 17338。 -## 机制关闭对照（PLAN mechanism_off_control）+| 配置 | 型内 unique 坐标（融合前→后） | occ_max 均值 | a 细胞被用比例 | 未融合 | nn_dist_after | mean_disp |+|---|---|---:|---:|---:|---:|---:|+| cap=0（off，=节点19） | 3467.6 → **124.6** | — | — | 0 | 0.0 | 200.6 |+| cap=1 | 3467.6 → 3467.6 | 1.0 | 0.951 | 11062 (63.8%) | 124.6 | 148.5 |+| cap=2 | 3467.6 → 2709.6 | 2.0 | 0.847 | 8480 (48.9%) | 87.1 | 251.9 |+| cap=3 | 3467.6 → 2171.4 | 3.0 | 0.800 | 6263 (36.1%) | 59.6 | 299.2 |+| κ=1.0（cap_mean 4.60） | 3467.6 → **1167.2** | 4.6 | 0.887 | **0** | — | — | -`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。+即：机制确实消除了坐标坍缩（unique 位置 124.6 → 1167.2，κ=1 时零未融合；cap=1 时全部分开）。 -## 结论与处置（PLAN 风险 3 兑现）+## 机制关闭对照与查分（A半，seed 0；节点正式分用 B半） -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。+off 对照 `T2HI_CAP=0`：与节点 19 输出 **np.array_equal 验证 X 与坐标逐位一致**，分数复现 61.346（=节点19 的 61.346），四组分 expr 67.82 / cell_state 66.13 / shape 53.62 / local 57.81。++| 配置 | 榜分 | expression_change | cell_state | local_spatial | shape_scale | 关键 metric |+|---|---:|---:|---:|---:|---:|---|+| off（cap=0，提交态） | **61.346** | 67.82 | 66.13 | 57.81 | 53.62 | neighborhood_mmd 0.07001, occ_dice 0.8285, d2_shape 0.03545, variogram 0.02829 |+| cap=1 | 59.785 | 64.99 | 66.05 | 54.69 | 53.41 | nb_mmd 0.07942↑, occ_dice 0.8398↑, d2_shape 0.03952↑, de_score 0.3696↓ |+| κ=1.0（零未融合） | 61.063 | 67.19 | 66.07 | **57.83** | 53.17 | nb_mmd 0.06997, occ_dice 0.8364↑, d2_shape 0.03960↑ |+| mutual=1（a 侧也向 b 位移，附带试验） | 61.364 | 67.82 | 66.13 | 57.94 | 53.57 | nb_mmd 0.06966, d2_shape 0.03581 |++四组分变化（κ=1 vs off）：local_spatial **+0.02（噪声内）**、shape_scale −0.45、expression_change −0.63、cell_state −0.06。cap=1 vs off：local_spatial **−3.12**、expression −2.83。++**结论：PLAN 的机制假设被证伪。** 坐标坍缩（124.6 unique）不是 local_spatial 的瓶颈——把它彻底消除（κ=1，零未融合、unique×9.4）后 neighborhood_mmd 只从 0.07001 → 0.06997、local_spatial 57.81 → 57.83（+0.02 ≪ 噪声 2）。反而 occupancy_dice 上升（0.8285→0.8364）而 d2_shape 明显变差（0.03545→0.03960），两者相抵后 shape_scale 净降 0.45；表达侧因为配对变了、chg_l2 门控选中的细胞集不同而掉 0.63。cap=1 更差：64% 的 b 细胞退回 Procrustes 位置，neighborhood_mmd 恶化到 0.07942——**与节点 18「α_low<1 单调降分」同一方向：融合越彻底越好，任何削弱型内融合的改动都降分**。++按 PLAN 风险 2/3（capacity=1 降分则试 2；提升 <0.5 判无效）：cap=1/2/3 与 κ=1 全部 ≤ off，故提交态取 `T2HI_CAP=0`，即节点 19 的行为，改动分数中性偏保守。++## 下一步（数据支持的）++1. local_spatial 的唯一正向信号是「更彻底的融合」：mutual=1（a 侧也向最近 b 位移）给出 local 57.94 / nb_mmd 0.06966，净 +0.02，仍在噪声内。若要继续攻该组分，应扫 mutual 的 α_a（a 侧位移系数）与「b→a 的 k-NN 质心融合」而不是配对拓扑。+2. shape_scale 的 d2_shape 与 occupancy_dice 对坐标重分配的反应**方向相反**，说明它不是单一可优化目标；scale_log_ratio 恒为 0.4669（RMS 由 bracket log 插值决定，proxy 上够不到真值），该组分基本是 mix 家族的结构性天花板，建议停止投入（与节点 11–19 一致）。+3. expression_change 对「哪些 b 细胞被融合」高度敏感（cap=1 时 de_score 0.4457→0.3696）：门控量 chg_l2 依赖配对，配对一变选中集就变。若以后改配对，应把表达门控的 d 固定在原 1-NN 配对上以解耦。  ## 验证过 / 未验证 -- 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。+- 已验证：off 与节点 19 逐位一致（X + 坐标）；off 分数复现 61.346；seed 1 两次运行逐位一致（确定性）；vec-check `ok`；cap/κ 全部诊断量；~2–21 s（cap=3 最慢 21 s，off 1.6 s）、峰值 <0.75 GB，远低于 limits（28 GB / 30 min）。+- 未验证：B半正式分（提交态输出与节点 19 逐位相同，预期 ≈61.79）；真实括号（31 共有型、n_b/n_a 比值分布不同）上容量约束的效果——proxy 上机制方向已明确为负，未再花额度；κ<1 与 κ>1 的细网格（κ=1 已是零未融合的边界，κ>1 只会退回无约束）。  ## 知识来源 -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）。+未使用任何保留阶段/保留基因型信息、文献数值或外部数据（`external/`、`prior/` 未读）。所有统计量（型内 n_b/n_a、kNN、指派、分位数、RMS、PCA 轴）均由当次视图输入现场计算，不依赖视图路径或绝对时间（只用时间差 t），满足视图无关要求。生物学知识仅沿用父节点：细胞类型标签（输入 obs 自带）用于型内配对。diff --git a/solution/run.py b/solution/run.pyindex 0b3f10e..d0fa7a2 100644--- a/solution/run.py+++ b/solution/run.py@@ -55,7 +55,9 @@ import argparse import os  import numpy as np+from scipy.optimize import linear_sum_assignment from scipy.spatial import cKDTree+from scipy.spatial.distance import cdist  from src.task2_spatial.frame import align_pair, log_interp, rms_radius, scale_to_rms from src.task2_spatial.methods import _jitter@@ -95,6 +97,65 @@ def _borrow(means_src: dict, delta: dict, common: list[str], decay: float = 0.0)     return out  +def _capacity_assign(+    pa: np.ndarray,+    pb: np.ndarray,+    sl: slice,+    capacity: int,+    k_base: int = 8,+) -> tuple[np.ndarray, np.ndarray, int]:+    """Capacity-constrained greedy assignment of b cells to a cells.++    Each a cell may host at most `capacity` b cells. Candidate pairs come from+    the k nearest a neighbours of every b cell (k = min(n_a, max(k_base,+    4*capacity))); all candidate pairs are visited in ascending distance order+    (stable sort -> deterministic) and accepted when both the b cell is still+    free and the a cell still has free capacity. A second round with 8x more+    candidates is run for the b cells left over after round one.+    Returns (assign, occupancy, n_rounds_used); assign[i] = -1 means the b cell+    could not be placed and keeps its Procrustes coordinate.+    """+    n_a, n_b = pa.shape[0], pb.shape[0]+    occ = np.zeros(n_a, dtype=np.int32)+    assign = np.full(n_b, -1, dtype=np.int64)+    cap = max(1, int(capacity))+    n_slots = n_a * cap+    if n_slots >= 1 and float(n_b) * float(n_slots) <= 6.0e7:+        # Optimal (min total distance) capacity-constrained assignment: the+        # a side is replicated `cap` times and solved with the Jonker-Volgenant+        # LAP, so every b cell gets a slot whenever n_a*cap >= n_b.+        PA = np.tile(pa[:, sl], (cap, 1)) if cap > 1 else pa[:, sl]+        C = cdist(pb[:, sl], PA)+        r, c = linear_sum_assignment(C)+        assign[r] = c // cap+        occ[:] = 0+        np.add.at(occ, assign[r], 1)+        return assign, occ, n_b+    # Fallback for very large types: greedy on kNN candidate pairs, ascending+    # distance, two rounds with a widening candidate list.+    tree = cKDTree(pa[:, sl])+    k = int(min(n_a, max(k_base, 4 * cap)))+    for _ in range(2):+        free = np.flatnonzero(assign < 0)+        if free.size == 0:+            break+        dist, idx = tree.query(pb[free][:, sl], k=k)+        if dist.ndim == 1:+            dist = dist[:, None]+            idx = idx[:, None]+        rows = free[np.repeat(np.arange(free.size), dist.shape[1])]+        cols = idx.ravel()+        order = np.argsort(dist.ravel(), kind="stable")+        for o in order:+            bi = rows[o]+            ai = cols[o]+            if assign[bi] < 0 and occ[ai] < cap:+                assign[bi] = ai+                occ[ai] += 1+        k = int(min(n_a, k * 8))+    return assign, occ, n_b++ def _blend_within_type(     ca: np.ndarray,     cb: np.ndarray,@@ -107,6 +168,8 @@ def _blend_within_type(     mutual: bool = False,     disp_beta: float = 0.0,     rng: np.random.Generator | None = None,+    capacity: int = 0,+    cap_kappa: float = 0.0, ) -> tuple[np.ndarray, np.ndarray, dict]:     """Per-type NN coordinate fusion (family T2HI-04 blend) + optional     within-type calibrated dispersion (T2HI_DISP).@@ -130,6 +193,8 @@ def _blend_within_type(     stats = {         "types_fused": 0, "cells_fused": 0, "dist_before": [], "disp": [],         "d_med": [], "disp_mag": [], "disp_nn_after": [],+        "cap": [], "n_over_a": [], "occ_max": [], "occ_frac_used": [],+        "unfused": [], "uniq_before": [], "uniq_after": [],     }     nn_b_list: list[np.ndarray] = []     nn_a_list: list[np.ndarray] = []@@ -139,11 +204,34 @@ def _blend_within_type(         if idx_a.size < min_count or idx_b.size < min_count:             continue         pa, pb = ca[idx_a], cb[idx_b]-        dist, j = cKDTree(pa[:, sl]).query(pb[:, sl], k=1)-        nn_b_list.append(idx_b)-        nn_a_list.append(idx_a[j])+        n_a_t, n_b_t = idx_a.size, idx_b.size+        if capacity > 0:+            cap = int(capacity)+        elif cap_kappa > 0.0:+            cap = max(1, int(np.ceil(cap_kappa * n_b_t / max(n_a_t, 1))))+        else:+            cap = n_b_t+        if cap >= n_b_t:+            # Mechanism-off path: unconstrained 1-NN (identical to node 19).+            dist, j = cKDTree(pa[:, sl]).query(pb[:, sl], k=1)+            placed = np.ones(n_b_t, dtype=bool)+        else:+            assign, occ_t, _ = _capacity_assign(pa, pb, sl, cap)+            placed = assign >= 0+            j = np.where(placed, assign, 0)+            dist = np.linalg.norm(pa[j][:, sl] - pb[:, sl], axis=1)+            dist = np.where(placed, dist, 0.0)+            stats["cap"].append(cap)+            stats["n_over_a"].append(n_b_t / max(n_a_t, 1))+            stats["occ_max"].append(int(occ_t.max()) if occ_t.size else 0)+            stats["occ_frac_used"].append(float((occ_t > 0).mean()) if occ_t.size else 0.0)+            stats["unfused"].append(int((~placed).sum()))+        sel_b = idx_b[placed]+        nn_b_list.append(sel_b)+        nn_a_list.append(idx_a[j[placed]])         disp_b = np.zeros_like(pb)-        disp_b[:, sl] = alpha * (pa[j][:, sl] - pb[:, sl])+        disp_b[placed] = 0.0+        disp_b[placed, sl] = alpha * (pa[j[placed]][:, sl] - pb[placed][:, sl])         pb_new = pb + disp_b         if mutual:             dist2, j2 = cKDTree(pb[:, sl]).query(pa[:, sl], k=1)@@ -169,11 +257,17 @@ def _blend_within_type(         out_b[idx_b] = pb_new         stats["types_fused"] += 1         stats["cells_fused"] += int(idx_b.size)-        stats["dist_before"].append(float(np.mean(dist)))+        stats["dist_before"].append(float(np.mean(dist[placed])) if placed.any() else 0.0)         stats["disp"].append(float(np.linalg.norm(disp_b, axis=1).mean()))-    for k in ("dist_before", "disp", "d_med", "disp_mag", "disp_nn_after"):+        stats["uniq_before"].append(int(np.unique(np.round(pb[:, sl], 4), axis=0).shape[0]))+        stats["uniq_after"].append(int(np.unique(np.round(pb_new[:, sl], 4), axis=0).shape[0]))+    for k in ("dist_before", "disp", "d_med", "disp_mag", "disp_nn_after",+              "cap", "n_over_a", "occ_max", "occ_frac_used", "uniq_before",+              "uniq_after"):         v = stats[k]         stats[k] = float(np.mean(v)) if v else 0.0+    stats["unfused"] = int(np.sum(stats["unfused"])) if stats["unfused"] else 0+    stats["unfused_frac"] = float(stats["unfused"]) / max(stats["cells_fused"], 1)     stats["nn_b"] = np.concatenate(nn_b_list) if nn_b_list else np.empty(0, dtype=int)     stats["nn_a"] = np.concatenate(nn_a_list) if nn_a_list else np.empty(0, dtype=int)     return out_a, out_b, stats@@ -324,6 +418,12 @@ def main() -> None:     cb = scale_to_rms(aligned_b, target_rms)      blend_alpha = float(os.environ.get("T2HI_BLEND", "1.0"))+    # Capacity-constrained within-type pairing (family T2HI-04 structural fix):+    # each a-side cell may host at most T2HI_CAP b-side cells (0 = off, i.e.+    # the original unconstrained 1-NN greedy of node 19). T2HI_CAP_KAPPA > 0+    # sets a per-type capacity of ceil(kappa * n_b / n_a) instead.+    cap_fixed = int(os.environ.get("T2HI_CAP", "0"))+    cap_kappa = float(os.environ.get("T2HI_CAP_KAPPA", "0.0"))     disp_beta = float(os.environ.get("T2HI_BETA", "0.5"))     # Dispersion default OFF: on the proxy the full beta grid gave no net gain     # (shape_scale flat, local_spatial monotonically worse; see METHOD.md).@@ -337,7 +437,7 @@ def main() -> None:         blend_min = int(os.environ.get("T2HI_BLEND_MIN", "5"))         ca_s, cb_s, blend_info = _blend_within_type(             ca[ia], cb[ib], a.labels[ia], b.labels[ib], common, blend_alpha, blend_min, "3d",-            False, disp_beta, rng_disp,+            False, disp_beta, rng_disp, cap_fixed, cap_kappa,         )         ca = ca.astype(np.float64, copy=True)         cb = cb.astype(np.float64, copy=True)@@ -350,7 +450,7 @@ def main() -> None:         cb_pre = cb.copy()         ca, cb, blend_info = _blend_within_type(             ca, cb, a.labels, b.labels, common, blend_alpha, blend_min, blend_axes, blend_mutual,-            disp_beta, rng_disp,+            disp_beta, rng_disp, cap_fixed, cap_kappa,         )     if blend_info is not None:         blend_min = int(os.environ.get("T2HI_BLEND_MIN", "5"))@@ -505,6 +605,12 @@ def main() -> None:               f"nn_dist_before={blend_info['dist_before']:.1f} "               f"nn_dist_after={blend_info['dist_after']:.1f} "               f"mean_disp={blend_info['disp']:.1f}", flush=True)+        print(f"[cap] fixed={cap_fixed} kappa={cap_kappa:.2f} cap_mean={blend_info['cap']:.2f} "+              f"nb_over_na_mean={blend_info['n_over_a']:.2f} occ_max_mean={blend_info['occ_max']:.1f} "+              f"a_cells_used_frac={blend_info['occ_frac_used']:.3f} "+              f"unfused={blend_info['unfused']} ({blend_info['unfused_frac']:.3f}) "+              f"uniq_pos_before={blend_info['uniq_before']:.1f} "+              f"uniq_pos_after={blend_info['uniq_after']:.1f}", flush=True)         if disp_beta > 0.0:             print(f"[disp] beta={disp_beta:.2f} d_med={blend_info['d_med']:.1f} "                   f"mean_offset={blend_info['disp_mag']:.1f} "

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：实现 PLAN 的容量约束型内指派（LAP 最优 + `T2HI_CAP` / `T2HI_CAP_KAPPA`），并附带试了 mutual 配对；off 对照（cap=0）与节点 19 逐位一致。

查分（A半，seed 0，额度用 4/20）：off 61.346 | cap=1 59.785（local_spatial −3.12，64% b 细胞未融合）| κ=1.0 零未融合、unique 坐标 124.6→1167.2，61.063（local_spatial +0.02 噪声内，shape −0.45、expression −0.63）| mutual=1 61.364（+0.02，噪声）。机制被证伪：坐标坍缩不是 local_spatial 瓶颈，任何削弱型内融合的改动都降分。提交态 = cap=0，vec-check ok，确定性已验。

下一步最值得试：local_spatial 唯一正向信号是"更彻底融合"（mutual 的 a 侧位移系数 α_a、或 b→a 的 k-NN 质心融合）；shape_scale 的 d2_shape 与 occupancy_dice 反应方向相反、scale_log_ratio 恒 0.4669，建议判为 mix 家族天花板停止投入。

调研员

```json
{
  "name": "容量约束型内NN配对：消除多对一坐标坍缩，改善local_spatial",
  "motivation": "节点19 local_spatial=58.24为第二低组。当前α=1.0的1-NN融合中，多个b细胞可映射到同一a细胞位置，造成坐标重复/局部密度尖峰，破坏邻域连续性。shape_scale=54.15中occupancy_dice≈0.83也受此影响。节点10-19从未改动配对结构本身（只调α、弥散、表达γ），本方案首次将贪心1-NN替换为容量约束指派，属结构性修复而非参数调整。",
  "approach": "在节点19的run.py _blend_within_type函数中，将每型b→a的1-NN贪心替换为容量约束贪心指派：\n1. 对每个共有型，用cKDTree计算b侧每个细胞的k近邻（k=min(n_a, 10)）候选a细胞及距离。\n2. 按b细胞到最近a的距离升序排列；依次贪心指派：b_i取其最近的、当前占用数<capacity的a_j；占用满则尝试次近、再次近，直到用完k个候选。\n3. 所有候选均满的b细胞保留Procrustes坐标（不融合），并打印未融合比例。\n4. capacity默认=1，搜索{1,2,3}；capacity≥n_b时退化为原始1-NN（off对照）。\n5. 融合后的表达混合（chg_l2门控、γ=2.8、q=0.8）逻辑不变，只改坐标配对。\n6. 单输入阶段退路：t=0时copy_last路径不经过融合，无影响。\n7. vec-score快速筛选：先跑capacity=1 vs off（capacity=999）各一次（2次查分），确认local_spatial方向；再跑capacity=2（第3次）；总查分≤5。预期：capacity=1时unique坐标数增加、local_spatial +0.5~1.5。",
  "expected_groups": ["local_spatial", "shape_scale"],
  "risks": "1. 若每型b细胞数≤a细胞数，capacity=1与原始1-NN结果相同，机制无操作空间——Engineer应先打印每型n_b/n_a比值，若多数型n_b≤n_a则提前终止。2. 未融合b细胞留在Procrustes位置可能引入空间不连续，反而降分——若capacity=1降分，尝试capacity=2。3. 30分钟时限：改动集中在_blend_within_type一个函数，用现有cKDTree，代码量小；先打印诊断再查分。",
  "family_id": "T2HI-04",
  "mechanism": "将型内b→a坐标融合从多对一贪心1-NN改为容量约束指派（每个a细胞最多承接capacity个b细胞），消除坐标重复/坍缩，使输出云的局部邻域结构更连续、空间占据更均匀。",
  "vs_constant_shift": "常数位移对同型所有细胞施加相同向量，不改变细胞间相对位置；本机制改变的是配对拓扑（哪个b配哪个a），使原来重叠到同一坐标的多个b细胞分散到不同a位置，是逐细胞异质的坐标重分配。",
  "mechanism_evidence": "Engineer应打印：(1) 每型融合前后unique坐标位置数（融合后应≥融合前，容量约束下不应出现完全重叠）；(2) 每型a细胞被指派的b细胞数分布（capacity=1时应全≤1）；(3) 未融合b细胞比例；(4) local_spatial和shape_scale四组分各自变化；(5) 与off对照（capacity=999）的坐标差异非零。",
  "mechanism_off_control": "设capacity=999（或n_b），此时每个a细胞可承接所有b细胞，退化为原始1-NN贪心，输出应与节点19逐位一致（np.array_equal验证）。预期差别：off对照与节点19分数相同，开启后local_spatial有≥0.5的变化。",
  "sources": []
}
```

审查员

REVIEW.json written