总览 · ← 返回运行 20261003-070222-search-t2-heart-extrap-g24-D

节点 n4 在终选来历上

表达匹配型伪批量位移（α=0.05，覆盖全部细胞）+ 坐标尺度取各输入阶段观测到的最大 RMS 半径（形状不变，仅整体缩放）。

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 9aa1373b46: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 b47b03db95。改动的文件：solution/EXECUTION.json +3 −0、solution/METHOD.md +54 −0、solution/README.md +8 −5、solution/run.py +136 −24

diff --git a/solution/EXECUTION.json b/solution/EXECUTION.jsonnew file mode 100644index 0000000..34b3a8b--- /dev/null+++ b/solution/EXECUTION.json@@ -0,0 +1,3 @@+{+  "gpu": false+}diff --git a/solution/METHOD.md b/solution/METHOD.mdnew file mode 100644index 0000000..24f394d--- /dev/null+++ b/solution/METHOD.md@@ -0,0 +1,54 @@+表达匹配型伪批量位移（α=0.05，覆盖全部细胞）+ 坐标尺度取各输入阶段观测到的最大 RMS 半径（形状不变，仅整体缩放）。++## 榜 / 视图++`T2:heart:val_extrap`，proxy = E8.25_late + E8.75 → E9.5（步长比 1.5）。++## 方法++1. **配对（PLAN family T2HX-01）**：prev 阶段每个细胞类型的表达质心（余弦，只用两阶段中至少一方 ≥1% 细胞检出的基因，本视图 480/500）；last 阶段每个细胞按余弦相似度取最近的 prev 质心，得到"表达匹配类型"。不依赖两阶段类型同名，因此名字对不上时（方法卡记录的 final 上只剩 5 个同名类型）机制仍然覆盖全部细胞。+2. **位移**：对每个匹配类型 t，`delta_t = mean(last | 匹配到 t) − mean(prev | t)`（全基因面板上算），每细胞加 `α·delta_t`，α=0.05，clip ≥0。不乘步长比（`time_scale=false`）。+3. **坐标尺度**：把 last 阶段的点云整体缩放到 `max_k RMS(input_k)`。理由：一个阶段测到的空间 RMS 半径取决于该样本覆盖了多少结构（视野 / 保留的切片数），只能**低估**真实尺寸，不是单调的生物量；本视图上它从 354（较早）降到 217（较晚），沿趋势外推一定错。胚胎随时间长大，所以更晚的目标阶段其尺度至少是各输入里观测到的最大值。形状、细胞间相对位置、z 切片结构都不动（只做各向同性缩放）。单输入时是恒等操作。+4. **组成 / 细胞数**：不动（α_comp=0，n=last.n 夹到 [min_cells, max_cells]）。实测外推组成趋势明显有害（见下）。+5. **单输入退路**：直接复制该阶段（分层抽到 max_cells）。++对照开关：环境变量 `VEC_MECH_OFF=1` → α=0，其余代码路径完全不变（PLAN 的 mechanism_off_control）。提交状态为**打开**（α=0.05）。++## 机制生效的证据（proxy，seed 0，程序 stderr）++- `n_shifted = 24826`：全部输出细胞都拿到非零位移（父节点按名字匹配时也是 24826 —— 见"PLAN 前提被证伪"）。+- `n_matched_types = 33`（prev 的 33 个类型全部被匹配到），`max_matched_frac = 0.153`（没有单一类型吞掉 >50% 细胞）。+- `agree_with_name = 0.725`：表达匹配与标签一致率 72.5%，说明匹配大体合理但不是照抄标签。+- `mean_delta_cos = 0.500`：33 个位移向量两两余弦均值 0.50（<0.9），方向有分化。+- 四组分变化（ON 52.93 vs OFF 53.21，OFF = 只做坐标尺度）：expression_change 50.0→49.67（de_score 0→−0.042，de_direction 0→+0.017）、cell_state 50.0→49.06（mmd_u 0.0586→0.0584 变好，variogram 0.0586→0.0634 变差，净负）、local_spatial 50.0→50.15（neighborhood_mmd 0.1144→0.1138）、shape_scale 62.83→62.83（位移不动坐标）。++## 查分结果（proxy A 半，共 11 次）++| 配置 | board | expr_change | cell_state | shape | local |+|---|---:|---:|---:|---:|---:|+| copy_last（父节点 1 / 机制关闭且不改尺度） | 50.00 | 50.0 | 50.0 | 50.0 | 50.0 |+| 父节点 2：damped_shift α=0.1 按名字，尺度不动 | 49.51 | 49.35 | 48.41 | 50.0 | 50.27 |+| RMS = 两输入算术均值 285 | 51.93 | 50 | 50 | 57.73 | 50 |+| **RMS = max(输入) = 354（机制关闭）** | **53.21** | 50.0 | 50.0 | **62.83** | 50.0 |+| RMS = max + 表达匹配位移 α=0.05（**提交版**） | **52.93** | 49.67 | 49.06 | 62.83 | 50.15 |+| RMS = max + 表达匹配位移 α=0.1 | 52.86 | 49.67 | 48.65 | 62.83 | 50.31 |+| RMS = max + 组成外推 α_comp=1.0，n=0.8·last | 50.75 | 44.55 | 48.04 | 62.02 | 48.37 |+| 逐轴 RMS 取各输入最大（改纵横比） | 51.80 | 50.0 | 50.0 | 57.11 | 50.09 |++关键量：`scale_log_ratio` 从 −0.4375（copy_last，217/335）到 +0.0528（354/335），shape_scale 50→62.83，是本节点全部增益来源。逐轴缩放把 `d2_shape` 从 0.0489 改到 0.0299（更好）但 `occupancy_dice` 从 0.815 掉到 0.771，净负，故不采用。++## PLAN 前提被证伪（重要）++PLAN 假设父节点弱在"按名字匹配 → 只有 5 个同名类型 → 机制空转"。在 proxy 上不是这样：E8.25_late 与 E8.75 的 33 个类型**全部同名**，父节点的 `n_shifted` 已经是 24826（全部细胞）。方法卡说的"只剩 5 个同名类型"指的是 final 视图的 E8.75→E9.5 那一步，不是 proxy。所以表达匹配在 proxy 上只是换了一套略不同的位移向量（与名字一致率 72.5%），没有"激活"任何新细胞，结果同样轻微为负：**这一族（沿上一阶段观测到的伪批量变化方向做阻尼位移）在本 proxy 上方向就是错的**，α=0.05→0.1 单调变差，与方法卡网格一致。父节点 cell_state 48.41 的最弱项不是覆盖问题，而是位移方向问题。++提交版仍保持机制打开（α=0.05，PLAN 要求），代价 0.28 分（53.21→52.93，远小于评分噪声量级），并在 METHOD.md 里如实记录 OFF 更高。++## 验证过 / 没验证过++- 验证过：proxy 上 seed 0 的 11 次查分（额度余 9）（上表）；`vec-check` 通过；机制开/关两条路径都能跑（3 s，峰值内存约 0.6 GB，纯 CPU，`EXECUTION.json` 声明 `gpu:false`）；α=0 时输出与 copy_last + 尺度缩放逐指标一致。+- 没验证过：final 视图（3 个输入，max=354 而 last=335，尺度规则会把点云放大 5.7%，方向未知）；其他 seed（程序只在 n<last.n 时用 rng 抽样，本视图 n=last.n=24826 ≤ max_cells=25179，走 `arange`，与 seed 无关）；单输入退路只做了代码走查，没有对应视图可跑；`VEC_MECH_OFF=1` 之外的环境变量没有分支。+- 视图无关性：只用输入的时间**顺序**、时间**差**（步长比）和数据本身，不读 `board`/`mode`/路径/绝对时间；时间整体平移不改变任何输出。++## 知识来源++只用了通用机制知识：小鼠胚胎/心脏在该时间窗内整体尺寸随时间单调增长（发育生物学常识，非任何保留阶段的测量）；以及"一个样本测到的空间范围受视野与保留切片数限制，只会低估不会高估结构真实尺寸"（成像/采样的几何性质）。没有使用 E9.5 / E10.5 / E12.5 或禁窗内任何测量值、类型清单或比例；`external/`（Qiu E8.75）和 `prior/` 都没有读取。所有数值都在运行时从 manifest 指定的输入现场计算。diff --git a/solution/README.md b/solution/README.mdindex 3da8235..4cef581 100644--- a/solution/README.md+++ b/solution/README.md@@ -1,6 +1,9 @@-# damped_shift（T2:heart:val_extrap）+# T2:heart:val_extrap — 表达匹配伪批量位移 + 观测最大空间尺度 -最新两个输入 (prev, last)；last 的每个细胞加 α·(mean(last|类型) − mean(prev|类型))，只对两阶段同名的类型，夹到 ≥0。α=0.1，β=0（坐标就是 last 自己的，不缩放），α_comp=0（组成不动），time_scale 关（不乘步长比）。这是方法卡网格里最好的非平凡点；方法卡最终提交的 α=0 等于 `copy_last`。-proxy（E8.25_late + E8.75 → E9.5，步长比 1.5）预期 49.47（seed 0 实测 49.475，与网格 `damp_a010_c0` 一致；表达 49.2 / 状态 48.5 / 形状 50.0 / 邻域 50.3）。-final（E8.75 + E9.5 → E10.5，步长比 4/3）：n=25179，RMS 335.0，但只有 5 个同名类型，分型位移在 final 上基本空转。-已知弱点：代理的上一步是缩小（354→217），真实的上一步是长大（217→335），α、β 的方向在代理上验证不了。这是起点，不是方案。+`run.py --data <view> --out <pred.h5ad> --seed <int>`（纯 CPU，约 3 s，见 `EXECUTION.json`）。++- 表达：last 阶段每个细胞按余弦相似度匹配到 prev 阶段最近的类型质心，加 α=0.05·该匹配类型的伪批量差（`VEC_MECH_OFF=1` 关闭机制 → α=0）。+- 坐标：整体缩放到各输入阶段中最大的 RMS 半径（各向同性，形状不变）。+- 组成与细胞数：保持 last 阶段；单输入时直接复制该阶段。++分数、对照与已证伪的 PLAN 前提见 `METHOD.md`。diff --git a/solution/run.py b/solution/run.pyindex d62b7bc..1540183 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,30 +1,116 @@ #!/usr/bin/env python3-"""damped_shift (T2 extrapolation): last input + α·per-type pseudobulk delta of the last step.+"""T2 extrapolation: expression-matched damped pseudobulk shift + observed-extent coordinate scale. -Takes the two latest inputs (prev, last). Each last-stage cell of a type that-also exists in prev gets α·(mean(last|type) − mean(prev|type)), clipped at 0.-Coordinates are the last stage's own, rescaled by exp(β·Δlog RMS) (β=0 keeps-the scale); composition moves by α_comp·Δfraction (0 keeps it). Cell count is-the last stage's, clipped to the board range. ``time_scale`` is off, so the-step ratio (target − last)/(last − prev) is not applied.+Mechanism (PLAN family T2HX-01).  The two latest inputs give one observed step+(prev -> last).  Every ``last`` cell is assigned the ``prev`` cell type whose+expression centroid is closest (cosine, on genes detected in >=1% of cells of+either stage), so coverage does not depend on the two stages sharing type+*names*.  For each matched type ``t`` the pseudobulk delta is+``mean(last | matched to t) - mean(prev | t)`` and each cell receives+``alpha * delta_t`` (alpha = 0.05).  Set ``VEC_MECH_OFF=1`` for the PLAN's+mechanism-off control (alpha = 0, expression = copy of the last stage). -ALPHA=0.1 is the best non-trivial point of the T2 card's grid (proxy 49.47);-α=0 is copy_last, the card's submitted choice. With one input, copy the last.+Coordinate scale.  The measured spatial RMS radius of a stage is set by how+much of the specimen the sample covers (field of view / sections kept), so it+is not a monotone biological quantity: on this view it goes 354 (earlier) ->+217 (later).  A sample can only *underestimate* the extent of the structure it+comes from, and the embryo grows with time, so the extent of a later target is+taken to be at least the largest RMS radius observed among the inputs; the last+stage's cloud is rescaled to that radius (shape preserved, cells not moved+relative to each other).  With one input this is a no-op.++Composition and cell count are left at the last stage's (alpha_comp = 0);+extrapolating the observed composition trend measured clearly worse than+holding it (expression_change 44.6 vs 50.0).++Single input stage: fall back to copying it (stratified to max_cells). """  from __future__ import annotations  import argparse import json+import os import sys  import numpy as np+import scipy.sparse as sp -from src.task2_spatial.methods import damped_shift+from src.task2_spatial.frame import rms_radius, scale_to_rms from src.task2_spatial.sample import take-from src.task2_spatial.view_io import board_params, extrap_step, load_manifest, panel_genes, read_stage, write_t2+from src.task2_spatial.transport import as_dense+from src.task2_spatial.view_io import (+    extrap_step,+    inputs_by_time,+    load_manifest,+    panel_genes,+    read_stage,+    write_t2,+)++ALPHA = 0.05+MIN_CELL_FRAC = 0.01+++def _row_normalise(X: sp.csr_matrix) -> sp.csr_matrix:+    Y = X.copy().astype(np.float64)+    norms = np.sqrt(np.add.reduceat(np.asarray(Y.data) ** 2, Y.indptr[:-1])) if Y.nnz else np.zeros(Y.shape[0])+    norms = np.where(norms > 1e-12, norms, 1.0)+    Y.data /= np.repeat(norms, np.diff(Y.indptr))+    return Y.tocsr()+++def _detect_frac(X: sp.csr_matrix) -> np.ndarray:+    idx = X.indices+    counts = np.bincount(idx, minlength=X.shape[1])+    return counts / max(X.shape[0], 1)+ -PARAMS = {"alpha": 0.1, "beta": 0.0, "alpha_comp": 0.0, "n_damp": 0.0, "time_scale": False}+def _group_means(X: sp.csr_matrix, codes: np.ndarray, k: int) -> np.ndarray:+    ind = sp.csr_matrix(+        (np.ones(len(codes), dtype=np.float64), (codes, np.arange(len(codes)))),+        shape=(k, len(codes)),+    )+    sums = np.asarray((ind @ X.astype(np.float64)).todense())+    cnt = np.bincount(codes, minlength=k).astype(np.float64)[:, None]+    return sums / np.maximum(cnt, 1.0)+++def matched_delta(prev, last, alpha: float):+    """Cosine-match last cells to prev type centroids; return (codes, types, delta, diag)."""+    keep = (_detect_frac(prev.X) >= MIN_CELL_FRAC) | (_detect_frac(last.X) >= MIN_CELL_FRAC)+    keep = np.flatnonzero(keep)+    Xp = prev.X[:, keep].tocsr()+    Xl = last.X[:, keep].tocsr()+    types = sorted(set(np.asarray(prev.labels).astype(str).tolist()))+    t_of = {t: i for i, t in enumerate(types)}+    pcode = np.array([t_of[t] for t in np.asarray(prev.labels).astype(str)], dtype=np.int64)+    cen = _group_means(Xp, pcode, len(types))+    cen /= np.maximum(np.linalg.norm(cen, axis=1, keepdims=True), 1e-12)+    sim = np.asarray(_row_normalise(Xl) @ cen.T)+    code = sim.argmax(1)+    lcode = code.astype(np.int64)+    # deltas are computed on the full panel (matching used the filtered subset)+    full_prev = _group_means(prev.X, pcode, len(types))+    full_last = _group_means(last.X, lcode, len(types))+    delta = (full_last - full_prev).astype(np.float32)+    counts = np.bincount(lcode, minlength=len(types))+    diag = {+        "n_kept_genes": int(keep.size),+        "n_prev_types": len(types),+        "n_matched_types": int((counts > 0).sum()),+        "max_matched_frac": float(counts.max() / max(len(lcode), 1)),+        "mean_max_sim": float(sim.max(1).mean()),+        "agree_with_name": float((np.asarray(types)[lcode] == np.asarray(last.labels).astype(str)).mean()),+    }+    used = counts > 0+    if used.sum() > 1:+        d = delta[used].astype(np.float64)+        dn = d / np.maximum(np.linalg.norm(d, axis=1, keepdims=True), 1e-12)+        cos = dn @ dn.T+        iu = np.triu_indices(len(dn), 1)+        diag["mean_delta_cos"] = float(cos[iu].mean())+    return lcode, types, delta, diag   def main() -> None:@@ -34,21 +120,47 @@ def main() -> None:     parser.add_argument("--seed", type=int, default=0)     args = parser.parse_args() +    alpha = 0.0 if os.environ.get("VEC_MECH_OFF", "") == "1" else ALPHA+     manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)-    prev, last, ratio = extrap_step(manifest)-    stage_last = read_stage(args.data, last, genes)-    if prev is None:-        n = int(np.clip(stage_last.n, manifest["min_cells"], manifest["max_cells"]))-        rows = np.sort(take(stage_last.labels, min(n, stage_last.n), np.random.default_rng(args.seed)))-        write_t2(args.out, stage_last.X[rows].toarray(), stage_last.coords[rows], genes, seed=args.seed)+    lo, hi = int(manifest["min_cells"]), int(manifest["max_cells"])+    rng = np.random.default_rng(args.seed)+    prev_e, last_e, ratio = extrap_step(manifest)+    last = read_stage(args.data, last_e, genes)++    if prev_e is None:+        n = int(np.clip(last.n, lo, hi))+        rows = np.sort(take(last.labels, min(n, last.n), rng))+        write_t2(args.out, last.X[rows].toarray(), last.coords[rows], genes, seed=args.seed)+        print(json.dumps({"fallback": "copy_last", "n": int(len(rows))}), file=sys.stderr)         return-    stage_prev = read_stage(args.data, prev, genes)-    params = board_params(manifest, "damped_shift", PARAMS, args.seed)-    expr, coords, info = damped_shift(stage_prev, stage_last, ratio, params)-    keep = {k: info.get(k) for k in ("alpha", "beta", "dt_ratio", "n", "rms_prev", "rms_last", "out_rms", "n_shared_types")}-    print(json.dumps({"step": [prev["stage"], last["stage"]], **keep}, default=float), file=sys.stderr)-    write_t2(args.out, expr, coords, genes, seed=args.seed)++    prev = read_stage(args.data, prev_e, genes)+    n = int(np.clip(last.n, lo, hi))+    idx = np.arange(last.n) if n >= last.n else np.sort(take(last.labels, n, rng))++    info: dict = {"alpha": alpha, "dt_ratio": float(ratio), "n": int(len(idx))}+    block = as_dense(last.X, idx).astype(np.float32)+    if alpha:+        code, types, delta, diag = matched_delta(prev, last, alpha)+        add = delta[code[idx]]+        block = np.clip(block + np.float32(alpha) * add, 0.0, None).astype(np.float32)+        info["match"] = diag+        info["n_shifted"] = int((np.abs(add).sum(1) > 0).sum())++    radii = [rms_radius(read_stage(args.data, e, genes).coords) for e in inputs_by_time(manifest)]+    target_rms = float(np.max(radii))+    coords = scale_to_rms(last.coords[idx], target_rms)+    info.update(+        step=[prev_e["stage"], last_e["stage"], manifest["target"]["stage"]],+        rms_inputs=[round(r, 2) for r in radii],+        rms_out=round(rms_radius(coords), 2),+        expr_mean_in=float(as_dense(last.X, idx).mean()),+        expr_mean_out=float(block.mean()),+    )+    print(json.dumps(info, default=float), file=sys.stderr)+    write_t2(args.out, block, coords.astype(np.float32), genes, seed=args.seed)   if __name__ == "__main__":

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 的表达匹配型伪批量位移（余弦匹配 prev 质心，α=0.05，全部 24826 细胞覆盖，33 个匹配类型，位移向量两两余弦 0.50），并加上坐标尺度规则：把 last 点云各向同性缩放到 `max_k RMS(input_k)`（=354）。提交版机制打开；`VEC_MECH_OFF=1` 是对照。`vec-check` 通过，seed 0/7 输出完全一致，3 s、0.6 GB、纯 CPU。

**查分（11/20 次，proxy A 半）**：提交版 **52.93**（shape 62.83 / local 50.15 / expr 49.67 / state 49.06）；机制关闭对照 **53.21**；父节点 49.51；copy_last 50.00。全部增益来自 `scale_log_ratio` −0.4375→+0.0528（shape_scale 50→62.83）。组成外推 α_comp=1 明显有害（expression_change 44.55）；逐轴取最大改善 d2_shape 但砸了 occupancy_dice（51.80）。

**PLAN 前提被证伪**：proxy 上两输入 33 个类型全部同名，父节点 `n_shifted` 已经是全部细胞，"只有 5 个同名类型"只发生在 final 的 E8.75→E9.5 步；表达匹配没激活新细胞，只是换了位移向量，同样轻微为负（α 0.05→0.1 单调变差）。**下一步最值得试**：(1) 彻底放弃"沿上一阶段位移方向"的表达外推，改做只在类型内保持流形、不引入空间结构方差的表达更新（variogram 是唯一被打坏的指标）；(2) 尺度规则做敏感性检查——final 有 3 个输入时 max=354 而 last=335，会放大 5.7%，需要确认方向；(3) cell_state/local_spatial 在 copy_last 锚点上几乎不可动，剩余空间主要还在 shape_scale（lr→0 上限约 70）。

调研员

```json
{
  "name": "表达匹配型伪批量位移替代按名字匹配",
  "motivation": "父节点 2 (damped_shift, 49.51) 的 cell_state 仅 48.41，是最弱分组。METHOD.md 明确写出'只有 5 个同名类型，分型位移在 final 上基本空转'——按名字匹配导致绝大多数细胞得不到位移，机制未真正运行。方向库 T2HX-01 正是针对此：按表达匹配而非按名字。",
  "approach": "步骤：1) 读取 prev、last 两阶段的表达矩阵与标签；2) 对 prev 阶段按标签算每型质心（均值向量）；3) 对 last 阶段每个细胞，用余弦相似度（或 Pearson 相关）找最近的 prev 质心，得到表达匹配类型；4) 对每个表达匹配类型，计算 delta = mean(last|该匹配) − mean(prev|matched_type)，逐基因裁剪至 ≥0；5) 每细胞加 α·delta，α 初值 0.1，搜索 {0.05, 0.1, 0.15, 0.2}；6) 坐标保持 last 自身（β=0），组成不动（α_comp=0）。单输入阶段退路：若 prev 为 None，直接 copy_last。用 vec-score 在 proxy 上先跑 α=0.1 确认机制激活（n_shifted 应远大于 5 型对应细胞数），再网格搜索 α。预期耗时 <5 s（纯 numpy 矩阵运算）。",
  "expected_groups": ["cell_state", "expression_change"],
  "risks": "1) 表达匹配可能把不同谱系细胞错配到同一 prev 型，导致位移方向错误——Engineer 应检查匹配后各型的细胞数分布是否合理（不应出现一个型占 >50% 细胞）。2) α 过大可能把表达推向均值、降低异质性——若 cell_state 反降则减 α。3) 余弦相似度对稀疏数据不稳——可先过滤低表达基因（<1% 细胞表达）。尽早发现：先打印 n_shifted、每匹配型细胞数、位移向量范数分布。",
  "family_id": "T2HX-01",
  "mechanism": "将 prev 阶段各型质心作为锚点，用表达相似度（余弦）为 last 阶段每个细胞匹配最近的 prev 型，再沿该型的伪批量变化方向施加阻尼位移，使机制覆盖全部细胞而非仅 5 个同名型。",
  "vs_constant_shift": "常数位移对所有细胞加同一向量；本方案按表达相似度把细胞分到不同 prev 型，每型有独立的位移方向和幅度，位移是细胞型特异的、由两阶段表达差异驱动的。",
  "mechanism_evidence": "Engineer 应报告：(1) n_shifted（实际获得非零位移的细胞数），预期从 ~5 型对应数百细胞升至全部细胞；(2) 匹配到的 prev 型数（应 ≥10）；(3) 各匹配型的位移向量两两余弦相似度均值（应 <0.9，说明方向有分化）；(4) 四组分各自变化，尤其 cell_state 是否从 48.41 上升。",
  "mechanism_off_control": "将 α 设为 0（等价于 copy_last），其余代码路径不变，重跑一次。预期输出与 copy_last 完全相同、分数回到 ~50。若 α=0 与 α>0 输出相同，说明位移计算未生效。"
}
```

审查员

REVIEW.json written