总览 · ← 返回运行 20261003-043412-search-t2-embryo-interp-g24-D-s1

节点 n6

mix+组成阻尼κ=0.5 不变；晚端细胞改为类型内径向等频分层抽样（占位+），scale_damp 0.5→0.455 使输出 RMS 对准参考（形状+）。

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 59873a0a56: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 c0bd9d51e4。改动的文件：solution/EXECUTION.json +1 −0、solution/METHOD.md +24 −24、solution/run.py +95 −8

diff --git a/solution/EXECUTION.json b/solution/EXECUTION.jsonnew file mode 100644index 0000000..9d5125c--- /dev/null+++ b/solution/EXECUTION.json@@ -0,0 +1 @@+{"gpu": false}diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 42279a8..1ea2385 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,37 +1,37 @@-mix + 组成阻尼（t_comp=κ·t，κ=0.5）：晚端细胞比例减半，几何不变；PLAN 的型均值位移已实现但代理上单调有害，关闭（α=0）。+mix+组成阻尼κ=0.5 不变；晚端细胞改为类型内径向等频分层抽样（占位+），scale_damp 0.5→0.455 使输出 RMS 对准参考（形状+）。  ## 方法 -基础与父节点（node 2，mix）完全相同：括号 a<b 两端 procrustes3d 对齐、缩放到 log 线性 RMS（scale_damp=0.5）、按类型分层抽样、细胞数 interp_count(t)，表达和坐标一起走。+基础 = 父节点（node 5）：括号 a<b procrustes3d 对齐、缩放到 log 线性 RMS、按 t_comp=κ·t（κ=0.5）类型分层混抽 4000a+1000b、表达和坐标一起走、jitter、重缩放到目标 RMS。本节点在抽样与尺度两处改动（均为环境变量开关，可关）： -新增两个开关（环境变量，均可关掉复现对照）：+1. **T2EI_SPATIAL_STRAT / T2EI_SPATIAL_MODE（默认开、radial）**：晚端 b 细胞的类型配额与父节点完全相同（allocation 逻辑逐位一致，类型组成不变），仅类型内选择改为——按细胞到云质心的径向距离做 k 个等频 bin（k=该类型配额；k<4 退化为随机），每 bin 随机取 1 个。使保留的 1000 个 b 细胞均匀覆盖径向范围，弥补 κ 阻尼造成的 occupancy 损失。+2. **T2EI_DAMP=0.455（原 0.5）**：代理上 scale_log_ratio 随 damp 单调（0.4→−0.023、0.5→+0.0162、0.65→+0.075），说明 shape_scale 组在此区间几乎只由 RMS 失配驱动（d2_shape、occupancy_dice 不随 damp 变）。取使 |scale_log_ratio|≈0 的 0.455（实测 −0.0014，参考 RMS≈146.7，父节点输出 149.2 偏大 1.6%）。+3. T2EI_ALPHA（父节点的型均值位移）保持 0（已证伪）；κ 保持 0.5（父节点扫描的单峰）。 -1. **T2EI_KAPPA（组成阻尼，提交默认 0.5，开启）**：抽样比例从 t 改为 t_comp=κ·t（本代理 t=0.4 → t_comp=0.2，4000 早端 + 1000 晚端），而 RMS 目标、细胞数仍按 t 计算，几何流程不变。κ=1 时逐位复现父节点输出（已验证 expr/coords allclose）。-2. **T2EI_ALPHA（PLAN 指定的型均值位移，提交默认 0，关闭）**：对共有类型 c，早端细胞 +α·t·(μ_b(c)−μ_a(c))、晚端细胞 −α·(1−t)·(...)，截断到非负；仅一端有的类型不动。实现正确且生效（α=0.5 时移动 3185/5000 个细胞，11 个共有类型，位移范数 13.6–26.1 逐类型不同、非常数；类型伪批量均值在位移下不变，de_score 0.2143 不动可证）。+## 机制对照（vec-score，proxy E6.75+E8.0→E7.25，A 半；父节点复现 59.88） -## 机制对照（vec-score，proxy E6.75+E8.0→E7.25，A 半）+| 配置 | 榜分 | 表达 | 状态 | 形状 | 邻域 | occupancy | scale_log_ratio |+|---|---:|---:|---:|---:|---:|---:|---:|+| 关闭（=父节点，逐位一致） | 59.88 | 60.2 | 52.6 | 68.5 | 58.3 | 0.8019 | +0.0162 |+| PCA1 分层（PLAN 原方案）, damp 0.5 | 59.87 | 59.4 | 53.0 | 68.5 | 58.5 | 0.7981 | +0.0162 |+| radial 分层, damp 0.5 | 59.94 | 59.9 | 52.8 | 69.0 | 58.0 | 0.8065 | +0.0162 |+| damp 0.4 / 0.65（分层关） | 59.41 / 58.09 | ~60 | 52.6 | 66.7 / 61.4 | ~58 | 0.8019 | −0.023 / +0.075 |+| damp 0.455, 分层关 | 60.26 | 60.2 | 52.6 | 70.0 | 58.3 | 0.8019 | −0.0014 |+| **damp 0.455 + radial（提交）** | **60.32（seed1: 60.47）** | 59.9 | 52.8 | 70.5 | 58.0 | 0.8065 | −0.0014 | -| 配置 | 榜分 | 表达 | 状态 | 形状 | 邻域 |-|---|---:|---:|---:|---:|---:|-| α=0, κ=1（关闭，=父节点） | 56.42 | 59.8 | 36.2 | 75.2 | 54.5 |-| α=0.2, κ=1 | 54.58 | 59.7 | 30.6 | 75.2 | 52.8 |-| α=0.5, κ=1 | 52.82 | 59.7 | 27.3 | 74.6 | 49.6 |-| α=1.0, κ=1 | 48.47 | 59.5 | 23.4 | 66.7 | 44.3 |-| α=−0.25 / −0.5, κ=1 | 55.53 / 55.20 | ~59.7 | 33.2 / 31.8 | 75.2 | ~54 |-| **κ=0.5, α=0（提交）** | **59.88** | 60.2 | 52.6 | 68.5 | 58.3 |-| κ=0.45, α=0 | 59.76（seed1: 59.51） | 60.7 | 53.0 | 68.3 | 57.0 |-| κ=0.6 / 0.3 / 0.15 | 59.43 / 59.09 / 57.40 | ~60 | 49.7 / 55.9 / 54.1 | 69.2 / 66.1 / 64.7 | 58.7 / 54.9 / 51.9 |--**PLAN 机制（T2EI-01）被数据否证**：向中间态位移在两个方向上都单调伤害 cell_state（mmd_u 0.0173→0.0220@α=0.5，variogram 0.031→0.078），说明"端点细胞不像中间阶段"不是状态组低分的原因；混合云的过离散反而比收缩更接近参考分布。如实报告，不冒充。--**实际生效的机制是组成阻尼**：cell_state 从纯早端（copy_last，49.3）到 t=0.4 混抽（36.2）单调恶化，说明晚端细胞对状态分布的伤害超过其对表达变化的贡献。κ 扫描单峰，峰值 κ≈0.45–0.5（+3.3~3.5 分，远超 ~1 分噪声），代价是 shape_scale 75.2→68.5（occupancy 随晚端细胞减少而略降），净收益为正。κ=0.5 比 0.45 更接近峰且是整数，取 0.5。+- **PLAN 原机制（PCA1 等频 bin）被否证**：榜分 −0.01、shape_scale −0.07、occupancy_dice 0.7981<0.8019，按 PLAN 放弃判据（shape 回升<1.5）放弃；代码保留（T2EI_SPATIAL_MODE=pca1）。诊断：随机抽样时 b 细胞 bbox 覆盖已达 90%，PCA1 一维展开没有增加三维占位。+- **radial 变体有效但小**：occupancy_dice +0.005/+0.011（seed 0/1），shape +0.5，方向与 PLAN 机制假设一致（空间均匀覆盖→占位），b 细胞最近邻最大间隙 46→38。+- **主要增益来自 RMS 对准**：shape +1.5，机制清楚（scale_log_ratio→0），且在 seed 1 上复现。+- 两改动作用在 shape_scale 的不同子指标上（occupancy vs scale），可叠加；cell_state / expression_change / local_spatial 在噪声内不动（±0.5），证明组成与表达未被改动（b 细胞类型配额逐位相同）。  ## 已验证 / 未验证 -- 已验证：κ=1,α=0 与父节点输出逐位一致；seed 0 两次运行逐位一致（确定性）；vec-check 通过；κ 在 seed 1 上仍 ~59.5（κ=0.45 抽查）。-- 未验证：final 视图（E7.25+E8.0→E7.5，t=1/3 → t_comp=1/6）——κ·t=0.167 与代理最优 t_comp≈0.2 接近，方法只依赖时间差、视图无关；κ 与 α 的交互（κ=0.5 下未重扫 α，κ=1 下 α 已证伪）；B 半分数。-- 生物学知识来源：无外部数据或文献数值；仅用方法卡与代理查分反馈。κ 是从 manifest 时间差计算的相对量，无硬编码阶段统计。+- 已验证：关闭态（STRAT=0, DAMP=0.5, ALPHA=0）与父节点输出逐位一致且复现父节点查分 59.8837；提交态 seed 0 两次运行逐位一致；seed 1 查分 60.47；vec-check 通过；程序只依赖时间差与数据，无绝对时间/视图分支（伪装视图安全）；耗时 ~2s、内存 ~0.3GB。+- 未验证：final 视图（E7.25+E8.0→E7.5，t=1/3）——damp 0.455 比 0.5 把目标 RMS 压低约 0.5%（该括号 Δlog rms 较小），方法卡曾担心 final 上 RMS 偏小，此调整方向与之相反、幅度很小；B 半分数；κ 与 radial 分层的交互扫描。+- 生物学知识来源：无（纯几何/采样改动，未用外部数据、文献数值或保留阶段信息）。径向分层假设"细胞到质心距离的分布应被抽样保持"，是通用采样知识。  ## 下一步建议 -在 κ=0.5 基础上重扫小 α（正负各 0.1）确认无交互增益；shape_scale 的 occupancy 损失可尝试"晚端细胞坐标插值到早端邻域"弥补；心脏两榜可复用组成阻尼思路。+- shape_scale 剩余差距在 occupancy_dice（0.807 vs κ=1 时更高）与 d2_shape：可试 b 细胞配额不减、改为把多余 b 细胞的**表达**向 a 近邻混合（若评分允许）或 κ 与 radial 的联合细扫；或覆盖贪心（voxel coverage greedy）替代等频 bin。+- cell_state（52.6–53.3）仍是最低组：κ=0.3 时 cell_state 55.9 但 shape 掉；radial 分层下重扫 κ∈{0.4,0.45,0.55} 可能移动峰值。+- damp 的最优值本质是"RMS 随时间的对数增长曲线"的局部拟合，可用 external/（若有允许的外部阶段）拟合更平滑的 RMS(t) 先验替代常数 damp。diff --git a/solution/run.py b/solution/run.pyindex 5885bae..8093c32 100644--- a/solution/run.py+++ b/solution/run.py@@ -6,15 +6,26 @@ align clouds (procrustes3d), rescale both to log-linear RMS exp(log r_a + SCALE_DAMP*t*dlog r), draw round(t*n) cells from b and the rest from a, stratified by type; expression and coordinates travel together. -Two knobs added on top (env-switchable, mechanism-off controls reproduce the-parent exactly):+Knobs on top (env-switchable; T2EI_SPATIAL_STRAT=0 + T2EI_DAMP=0.5 + T2EI_ALPHA=0+reproduce the parent, node 5, bit-for-bit):  1. T2EI_KAPPA (composition damping, default 0.5): the fraction of cells drawn    from the later stage becomes round(KAPPA*t*n) while geometry (RMS target,    cell count) still uses t. Motivation: cell_state collapses from 49 (pure    early stage) to 36 at t=0.4 mixing, i.e. late-stage cells hurt the state    distribution more than they help expression_change.-2. T2EI_ALPHA (per-type pseudobulk displacement, default 0 = OFF, refuted):+2. T2EI_SPATIAL_STRAT / T2EI_SPATIAL_MODE (spatial stratification of the+   late-stage draw, default ON, mode "radial"): within each type, the retained+   b-cells are spread over equal-frequency bins of their radial distance to the+   cloud centroid (one random cell per bin) instead of i.i.d. sampling; type+   counts are unchanged. Raises occupancy_dice 0.8019 -> 0.8065/0.8131 (seeds+   0/1). Mode "pca1" (equal-frequency bins along the type's first principal+   axis, the PLAN's proposal) measured neutral (59.87 vs 59.88) -> kept in code,+   not default.+3. T2EI_DAMP (scale_damp, default 0.455): the parent's 0.5 overshoots the+   reference RMS (scale_log_ratio +0.0162); the proxy optimum is ~0.455+   (scale_log_ratio -0.0014), shape_scale 68.5 -> 70.0.+4. T2EI_ALPHA (per-type pseudobulk displacement, default 0 = OFF, refuted):    x_a += ALPHA*t*d(c), x_b -= ALPHA*(1-t)*d(c), d(c)=mu_b(c)-mu_a(c).    Measured monotone harmful on the proxy (alpha 0.2/0.5/1.0 -> 54.6/52.8/48.5    vs 56.4 at 0), kept off; code retained for the record.@@ -33,14 +44,77 @@ import numpy as np  from src.task2_spatial.frame import align_pair, log_interp, rms_radius, scale_to_rms from src.task2_spatial.methods import _jitter, _limits-from src.task2_spatial.sample import mix_indices, take+from src.task2_spatial.sample import take from src.task2_spatial.shift import type_means 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}+PARAMS = {"align": "procrustes3d", "scale_damp": float(os.environ.get("T2EI_DAMP", "0.455"))} ALPHA = float(os.environ.get("T2EI_ALPHA", "0.0")) KAPPA = float(os.environ.get("T2EI_KAPPA", "0.5"))+SPATIAL_STRAT = os.environ.get("T2EI_SPATIAL_STRAT", "1") != "0"+SPATIAL_MODE = os.environ.get("T2EI_SPATIAL_MODE", "radial")+++def _type_alloc(labels: np.ndarray, n: int):+    """Same per-type allocation as transport.stratified_choice (deterministic)."""+    types, counts = np.unique(labels, return_counts=True)+    raw = counts / counts.sum() * n+    alloc = np.floor(raw).astype(int)+    rem = int(n - alloc.sum())+    order = np.argsort(-(raw - alloc))+    for i in range(rem):+        alloc[order[i % len(order)]] += 1+    alloc = np.minimum(alloc, counts)+    deficit = int(n - alloc.sum())+    if deficit > 0:+        spare = counts - alloc+        for i in np.argsort(-spare):+            k = int(min(deficit, spare[i]))+            alloc[i] += k+            deficit -= k+            if deficit == 0:+                break+    return types, alloc+++def spatial_take(labels: np.ndarray, coords: np.ndarray, n: int, rng: np.random.Generator, centroid=None) -> np.ndarray:+    """Type-stratified draw, within type equal-frequency PCA1 bins pick one cell.++    Per-type counts match stratified_choice exactly (type composition unchanged);+    only the within-type selection differs: cells are spread uniformly along the+    type's principal spatial axis instead of drawn i.i.d., so the retained+    late-stage cells cover the original spatial extent (occupancy).+    """+    labels = np.asarray(labels).astype(str)+    n = int(min(max(n, 1), len(labels)))+    if n >= len(labels):+        return np.arange(len(labels))+    types, alloc = _type_alloc(labels, n)+    picks = []+    for lab, k in zip(types, alloc):+        k = int(k)+        if k <= 0:+            continue+        idx = np.flatnonzero(labels == lab)+        if k < 4 or k >= idx.size:+            picks.append(rng.choice(idx, k, replace=False))+            continue+        pts = np.asarray(coords[idx], dtype=np.float64)+        if SPATIAL_MODE == "radial":+            proj = np.linalg.norm(pts - np.asarray(centroid, dtype=np.float64), axis=1)+        else:+            cpts = pts - pts.mean(axis=0)+            try:+                _, _, vt = np.linalg.svd(cpts, full_matrices=False)+                proj = cpts @ vt[0]+            except np.linalg.LinAlgError:+                proj = np.linalg.norm(cpts, axis=1)+        order = np.argsort(proj, kind="stable")+        bins = np.array_split(order, k)+        sel = np.fromiter((b[rng.integers(len(b))] for b in bins if len(b)), dtype=np.intp, count=k)+        picks.append(idx[sel])+    return np.concatenate(picks)   def mix_damped(stage_a, stage_b, t: float, params: dict, kappa: float):@@ -55,7 +129,15 @@ def mix_damped(stage_a, stage_b, t: float, params: dict, kappa: float):     cb = scale_to_rms(aligned_b, target_rms)     n = _limits(params, stage_a.n, stage_b.n, t, "interp")     t_comp = float(np.clip(kappa * t, 0.0, 1.0))-    ia, ib = mix_indices(stage_a.labels, stage_b.labels, t_comp, n, rng)+    n_b = int(np.clip(int(round(t_comp * n)), 0, n))+    n_a = n - n_b+    ia = take(stage_a.labels, n_a, rng) if n_a > 0 else np.array([], dtype=int)+    if n_b <= 0:+        ib = np.array([], dtype=int)+    elif SPATIAL_STRAT:+        ib = spatial_take(np.asarray(stage_b.labels).astype(str), cb, n_b, rng, centroid=np.asarray(cb).mean(axis=0))+    else:+        ib = take(stage_b.labels, n_b, rng)     expr_parts, coord_parts = [], []     if ia.size:         expr_parts.append(np.clip(as_dense(stage_a.X, ia), 0.0, None).astype(np.float32))@@ -67,7 +149,12 @@ def mix_damped(stage_a, stage_b, t: float, params: dict, kappa: float):     coords = _jitter(np.vstack(coord_parts), rng)     coords = scale_to_rms(coords, target_rms)     info.update(t=t, t_comp=t_comp, n=int(expr.shape[0]), rms_a=rms_a, rms_b=rms_b,-                out_rms=rms_radius(coords), n_from_a=int(ia.size), n_from_b=int(ib.size))+                out_rms=rms_radius(coords), n_from_a=int(ia.size), n_from_b=int(ib.size),+                spatial_strat=bool(SPATIAL_STRAT and ib.size > 0))+    if ib.size:+        sel_b = np.asarray(cb[ib], dtype=np.float64)+        info["b_bbox_frac"] = float(np.prod((sel_b.max(0) - sel_b.min(0)) / np.maximum(np.asarray(cb).max(0) - np.asarray(cb).min(0), 1e-9)))+        info["b_rms_frac"] = float(rms_radius(sel_b) / max(rms_radius(np.asarray(cb)), 1e-9))     return expr, coords.astype(np.float32), info, ia, ib  @@ -114,7 +201,7 @@ def main() -> None:     ev = {"applied": False, "reason": "alpha=0"}     if ALPHA != 0:         ev = type_shift(expr, stage_a, stage_b, t, ALPHA, ia, ib)-    keep = {k: info.get(k) for k in ("t", "t_comp", "n", "rms_a", "rms_b", "out_rms", "n_shared_types", "z_dot", "z_flipped", "align", "n_from_a", "n_from_b")}+    keep = {k: info.get(k) for k in ("t", "t_comp", "n", "rms_a", "rms_b", "out_rms", "n_shared_types", "z_dot", "z_flipped", "align", "n_from_a", "n_from_b", "spatial_strat", "b_bbox_frac", "b_rms_frac")}     print(json.dumps({"bracket": [a["stage"], b["stage"]], **keep, "shift": ev}, default=float), file=sys.stderr)     write_t2(args.out, expr, coords, 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**：在父节点（mix + κ=0.5 组成阻尼）上按 PLAN 实现了晚端细胞的空间分层抽样。PLAN 原方案（类型内 PCA1 等频 bin）被否证（−0.01，occupancy 反降）；改为**径向等频分层**（occupancy_dice 0.802→0.807/0.813）并发现主增益来自 **scale_damp 0.5→0.455**（父节点 RMS 比参考大 1.6%，scale_log_ratio +0.016→−0.001，shape_scale 68.5→70.5）。所有改动带环境开关，关闭态与父节点逐位一致并复现其查分 59.88。

**查分结果**（A 半，共 7 次）：提交配置 seed0 **60.32**、seed1 **60.47**（父节点复现 59.88）；PCA1 分层 59.87、radial 单独 59.94、damp 0.4/0.65 为 59.41/58.09、damp 0.455 单独 60.26。vec-check 通过，确定性验证通过，耗时 ~2s。

**下一步最值得试**：① radial 分层下重扫 κ∈{0.4,0.45,0.55}（occupancy 修复后 κ 峰值可能左移，cell_state 仍是最弱组）；② 用 voxel 覆盖贪心替代等频 bin 直接最大化 b 细胞占位；③ 用允许的外部阶段拟合平滑 RMS(t) 曲线替代常数 damp，提升 final 视图可迁移性。

调研员

{
  "name": "空间分层抽样恢复组成阻尼下的形状占位",
  "motivation": "节点5组成阻尼(κ=0.5)使cell_state +16.39(37.49→53.88)，但shape_scale -5.34(74.43→69.09)。原因是晚端细胞随机抽样后空间覆盖不均，occupancy下降。shape_scale是当前唯一因父节点改动而显著恶化的组，且其损失机制明确（晚端细胞减少→空间占位不足），可通过改进抽样策略直接修复而不影响表达组成。",
  "approach": "在父节点mix_damped基础上，修改晚端细胞的抽样策略：从纯随机（类型分层）改为类型+空间双分层。具体步骤：(1) 对晚端细胞按类型分组后，在每个类型内对坐标做PCA取第一主成分投影；(2) 按投影值分成k个等频空间bin（k=该类型需抽取的细胞数，若k<4则退化为随机）；(3) 每个bin内随机取1个细胞，保证抽出的晚端细胞沿主轴均匀分布。(4) 表达和坐标仍一起走，后续RMS缩放、jitter不变。环境变量T2EI_SPATIAL_STRAT=1开启（默认），=0关闭复现父节点。关键参数：bin数=需抽细胞数（无额外超参）。单输入阶段退路：若interp_bracket无b，走父节点相同的copy_last逻辑，不受影响。vec-score快速筛选：先跑κ=0.5+空间分层（1次查分），对比父节点60.63看shape_scale是否回升、cell_state是否保持；若shape_scale回升>2分且其他组无显著下降，再跑seed1确认。预计耗时<3s，内存不变。",
  "expected_groups": ["shape_scale", "local_spatial"],
  "risks": "1) 空间分层可能改变晚端细胞的类型组成（若某类型集中在特定空间区域），间接影响cell_state——Engineer应检查抽样后各类型计数与随机抽样的差异，若>5%则改用类型内分层+空间次级排序而非硬bin。2) PCA主轴可能不反映真实占位方向（如球形分布），此时分层无增益但也无害。3) 改善可能<1分噪声——若首次查分shape_scale回升<1.5分即放弃，不浪费查分次数。尽早发现：第一次查分即可判断。",
  "family_id": "T2EI-05",
  "mechanism": "在组成阻尼减少晚端细胞数后，用空间分层抽样（按PCA1等频bin）替代随机抽样选取晚端细胞，使保留的晚端细胞均匀覆盖原始空间范围，恢复occupancy。",
  "vs_constant_shift": "常数位移对所有细胞施加同一表达/坐标偏移，不改变抽样策略。本方案不移动任何细胞坐标、不修改表达值，仅改变从晚端云中选取哪些细胞的策略（从随机变为空间均匀），是采样层面的几何覆盖修复。",
  "mechanism_evidence": "Engineer应比较：(1) 空间分层vs随机抽样下晚端细胞的坐标范围（bounding box体积）和最近邻距离分布（分层后应更均匀）；(2) shape_scale子分变化（预期+2~5分）；(3) cell_state和expression_change应噪声内不变（±1分），证明仅几何受影响；(4) 打印抽样后晚端细胞的PCA1投影直方图，确认均匀覆盖。",
  "mechanism_off_control": "设T2EI_SPATIAL_STRAT=0，抽样退化为父节点的纯类型分层随机抽样（mix_indices原逻辑），输出应与父节点逐位一致（allclose验证）。预期差别：关闭时shape_scale回到69.09，开启时回升向74方向。",
  "sources": []
}

审查员

REVIEW.json written