总览 · ← 返回运行 20261003-094241-search-t2-heart-interp-g24-D-s2

节点 n27

全云各向异性轴比时间插值（固定 SVD 参考轴上 σ 做 log 插值目标，混抽+坐标链后逐轴缩放）：代理上 λ=0.5/1.0 的 occupancy_dice 均劣化且快于 d2_shape 改善，总分单调低于对照，按预注册放弃规则提交 λ=0，输出与父 17/19/24 管线逐位相同。

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 9fee5fce6c: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 09d265baad。改动的文件：solution/METHOD.md +30 −28、solution/run.py +81 −1

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 62dfa2d..d5e3071 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,46 +1,48 @@-逐基因零阶矩符号校正（全细胞加同一常数 c_g=λ(tΔ_g−dp_g)）：代理上 flip 集恒为空，full-ref/all 变体 de_score 均降且 variogram 超阈，按预注册规则提交 λ=0，输出与父 17/19 管线逐位相同。+全云各向异性轴比时间插值（固定 SVD 参考轴上 σ 做 log 插值目标，混抽+坐标链后逐轴缩放）：代理上 λ=0.5/1.0 的 occupancy_dice 均劣化且快于 d2_shape 改善，总分单调低于对照，按预注册放弃规则提交 λ=0，输出与父 17/19/24 管线逐位相同。 -## 方法族与机制（PLAN T2HI-01，family T2HI-01）+## 方法族与机制（PLAN T2HI-05，family T2HI-05） -在父 22（=父 19/17 管线：procrustes 对齐 → logit 配额混抽 → 同型 kNN 收缩 k=20 α=1.25 → β=1.3 逐轴方差恢复 → jitter + scale_to_rms）的**配额混抽之后、坐标链之前**插入表达侧步骤（只动表达，坐标链不受影响）：+在父 24（=父 17/19 管线：procrustes 对齐 → logit 配额混抽 → 同型 kNN 收缩 k=20 α=1.25 → β=1.3 逐类型逐轴方差恢复 → jitter + scale_to_rms）的**坐标链末端、jitter/scale_to_rms 之前**插入全云各向异性缩放（只动坐标，表达全程不触碰）： -1. Δ_g = mean_b,g − mean_a,g（括号时间信号；`T2HI_SIGN_REF=drawn` 用两侧全部抽取细胞均值，`=full` 用两侧完整阶段均值）；-2. dp_g = pb_pred,g − pb_ref,g（pb_ref 按 PLAN 用抽取的 side-a 均值近似；full 模式用完整 stage-a 均值）；-3. 校正集：`T2HI_SIGN_MODE=flip`（PLAN 原案）取 sign(dp)≠sign(Δ) 且 |Δ|>T2HI_SIGN_THRESH(0.25)；`=all` 取所有 |Δ|>0.25；-4. 对校正集基因，**所有细胞加同一常数** c_g = λ·(t·Δ_g − dp_g)，clip ≥ 0；`T2HI_SIGN_PASSES` 可多遍补偿 clip 偏差；-5. 环境变量：`T2HI_SIGN_LAM`（默认 **0.0** = 关闭，早退，逐位无操作）、`T2HI_SIGN_THRESH`(0.25)、`T2HI_SIGN_MODE`(flip)、`T2HI_SIGN_REF`(drawn)、`T2HI_SIGN_PASSES`(1)。+1. 混抽前：取 procrustes 对齐 + 缩放到 target_rms 后的**全部** a 侧 + b 侧细胞坐标，计算全云质心 c0，对去质心联合云做 SVD，取前 3 个右奇异向量为固定参考轴 V（3×3）；+2. 分别计算 a、b 两侧全云在 V 各轴上的投影标准差 σ_a[3]、σ_b[3]；+3. 目标轴标准差（log 空间时间插值）：σ_t[j] = exp((1−t)·ln σ_a[j] + t·ln σ_b[j])；+4. 配额混抽与既有坐标链（收缩 / aniso restore / centroid restore）照常执行，不改动；+5. 坐标链末端：预测云在**同一 c0、同一 V** 下计算投影标准差 σ_p[3]；+6. 逐轴缩放因子 s[j] = 1 + λ·(σ_t[j]/σ_p[j] − 1)，clip 到 [1−C, 1+C]（C = T2HI_GANISO_CLIP，默认 0.25）；+7. x' = c0 + V·diag(s)·Vᵀ·(x − c0)，随后照常 jitter + scale_to_rms（等比，不改轴比）。 -单输入/无括号走 copy_last 分支（本步不执行）。视图无关：只用时间差 t、表达矩阵、manifest 上下限；不读 board/路径/阶段名/绝对时间。生物学先验：未使用（PLAN sources 为空）。+环境变量：`T2HI_GANISO_LAM`（默认 **0.0** = 关闭，早退，逐位无操作）、`T2HI_GANISO_CLIP`（默认 0.25）。单输入阶段 / 无括号走既有 copy_last 分支，本步不执行。视图无关：只用时间差 t、坐标数据；不读 board / 路径 / 阶段名 / 绝对时间。生物学先验：未使用（PLAN sources 为空）。  ## 机制生效证据（proxy E8.25+E9.5→E8.75，t=0.4，seed 0，λ=1.0） -- **flip 集在 drawn ref 下为空（结构性发现）**：混抽伪批量满足恒等式 dp = w_b·Δ_drawn（w_b=n_b/n>0），符号永远一致，|S|=0——PLAN 假设的"组成混抽使部分基因呈现错误符号"在该参考近似下**不可能发生**，λ=0.5/1.0 均为逐位无操作。-- full ref（消掉抽取噪声后）|S|=20，mean|c_g|=0.294；mode=all：drawn 182 基因 mean|c|=0.066、full 192 基因 mean|c|=0.129——确为稀疏逐基因修正而非全局操作。-- 修正确实只动基因均值：所有细胞同一基因加同一常数；但 **clip ≥ 0 破坏均匀性**——校正基因的平均 std 变化 drawn-all −0.023、full-flip −0.123、full-all −0.039，variogram 随之劣化（见下表），PLAN 的"variogram 精确不变"只在无 clip 时成立。-- 坐标全程未动：d2_shape 0.03915、occupancy_dice 0.8246、scale_log_ratio 0.4669 在全部配置间逐位一致。+- σ_a = [238.5, 202.6, 148.4]，σ_b = [250.9, 169.5, 168.2]，σ_t = [243.4, 188.6, 156.0]；轴比 σ_b/σ_a = [1.052, 0.837, 1.133]——第 2 轴偏离 10% 以上（−16%），机制有非平凡作用空间（PLAN 提前终止条件不触发）。+- V 的方向余弦：第 1 轴 ≈ (0.08, −0.99, −0.11)、第 2 轴 ≈ (−0.98, −0.06, −0.20)、第 3 轴 ≈ (0.20, 0.12, −0.97)——三轴近似与坐标轴对齐（第 3 轴 ≈ z 切片方向），参考系稳定、由全云主导。+- 实际缩放因子 s = [1.011, 1.064, 1.008]（λ=1）：第 2 轴 +6.4%，非全 1，机制确实在改变坐标（λ=0.5 时 s = [1.0055, 1.0320, 1.0039]）。+- 缩放前后投影标准差：σ_p = [240.7, 177.3, 154.8] → σ_post = [243.4, 188.6, 156.0]（λ=1 时精确到达 σ_t，clip 未触发）。+- 四组分变化（A 半）：expression_change 72.08 → 72.08（+0.00，机制不触碰表达，de_score 0.5435 / de_direction 0.6619 逐位不变）；cell_state 71.56 → 71.56（+0.00，mmd_u 0.02386 / variogram 0.022669 不变）；local_spatial 69.96 → 69.96（nbd 0.04145 → 0.04145/0.04140，λ=0.5/1 变化 <0.2%，远低于 10% 恶化阈）；shape_scale 52.51 → 52.23（λ=0.5）/ 51.99（λ=1）——组内 d2_shape raw 0.03915 → 0.03810 → 0.03725（改善），但 occupancy_dice raw 0.8246 → 0.8159 → 0.8080（劣化，skill 0.5246 → 0.4959 跌破地板），净效应为负。  ## 关闭机制对照与网格（全部 vec-score A 半，同会话，seed 0，共 5 次查分 / 额度 20） -对照 λ=0：与父 22（=父 19/17 管线）默认输出 `.X` 与 `obsm` 均 np.array_equal = **True**，A 半总分 **66.53**，八项 raw 与父会话逐位一致（de_score 0.5435、de_direction 0.6619、mmd_u 0.02386、variogram 0.022669、nbd 0.04145），基座复现确认。+对照 λ=0：与父 24（=父 17/19 管线）默认输出 `.X` 与 `obsm` 均 np.array_equal = **True**，A 半总分 **66.53**，八项 raw 与父会话逐位一致，基座复现确认。 -| 配置 | 总分 | de_score | de_direction | mmd_u | variogram | nbd |-|---|---:|---:|---:|---:|---:|---:|-| **λ=0（提交默认）** | **66.53** | 0.5435 | 0.6619 | 0.02386 | 0.022669 | 0.04145 |-| flip, drawn ref, λ=1 | （=对照，\|S\|=0 逐位相同） | — | — | — | — | — |-| flip, full ref, λ=1 | 65.87 | 0.5000 | 0.6509 | 0.02514 | 0.022871 | 0.04278 |-| all, drawn ref, λ=1 | 65.80 | 0.5326 | 0.6597 | 0.02434 | 0.027819 | 0.04179 |-| all, full ref, λ=1 | 62.76 | 0.4674 | 0.6354 | 0.02692 | 0.049033 | 0.04600 |+| 配置 | 总分 | d2_shape raw | occupancy_dice raw | nbd raw | shape_scale |+|---|---:|---:|---:|---:|---:|+| **λ=0（提交默认）** | **66.53** | 0.03915 | 0.8246 | 0.04145 | 52.51 |+| λ=0.5, clip=0.25 | 66.48 | 0.03810 | 0.8159 | 0.04140 | 52.23 |+| λ=1.0, clip=0.25 | 66.40 | 0.03725 | 0.8080 | 0.04145 | 51.99 | -PLAN 快筛标准（de_score raw 上升 ≥0.01 且 variogram ≤ 基线+5%）**全部不满足**：de_score 不升反降（−0.011 ~ −0.076），variogram +1% ~ +116%。按预注册放弃规则停止网格（未再扫 λ=0.3/0.7，因 λ=1 已是该方向上界且单调劣化模式与节点 15/22 一致），提交 λ=0。+**预注册放弃规则触发**：λ=1 时 occupancy_dice raw 改善 <0.005（实际 −0.0166，劣化）→ 提交 λ=0。未再扫 λ=0.3/0.7：d2_shape 收益与 occupancy_dice 损失均随 λ 单调，λ=0.5 已是两点内插且仍低于对照，无内部极大值迹象（与节点 24 相同的止损逻辑）。  ## 结论与教训（本节点验证了什么、没验证什么） -- **证伪（本节点核心负结果）**：零阶矩逐基因修正在本管线上**信息论上无收益空间**——混抽伪批量已满足 dp = w_b·Δ_drawn + 小噪声，而 de_score/de_direction 是秩基指标：对 dp 加任何 c_g = f(Δ_g)，若 f 单调则秩不变、若非单调（或 clip 扭曲实现值）则偏离 Δ 的秩。dt 的秩信息除 Δ 之外无本地来源，故该机制族不可能提升 DE 组，只可能通过 clip 损伤 cell_state 组。三次实测全部符合此预测。-- 未验证：λ∈{0.3,0.7}、passes=2、thresh=0（放弃规则触发后未扫）；外推榜与胚榜（本节点只做 heart:val_interp）。-- 已验证：λ=0 输出与父逐位相同（np.array_equal .X/obsm）、vec-check ok、单 seed（0）。+- **证伪（本节点核心负结果）**："混抽云的全云轴比偏离两侧 log 插值目标"这一结构假设在代理上部分成立（轴比确被拉向 σ_t），但**把轴比校正到 log 插值目标不是 occupancy_dice 的改善方向**：occupancy_dice 在 ±3 RMS 的 16³ 网格上比较占据体素，对径向质量分布（壳层/空隙结构）敏感，而不仅是各轴二阶矩；沿第 2 轴拉伸 6.4% 使 d2_shape（尺度归一距离分布）变好的同时把占据体素推离真值网格。混抽 + 逐类型 aniso restore 后的全云轴比已经处在比 log 插值目标更优的位置。+- d2_shape 与 occupancy_dice 可以朝相反方向走（本节点实测），shape_scale 组内不存在"轴比对齐即全组改善"的单一杠杆。+- 未验证：λ∈{0.3, 0.7}、clip 更小值、"保体积各向异性"（s 归一化到 det=1）、只在 z 轴或只在 xy 内校正（放弃规则触发后未扫）；外推榜与胚榜（本节点只做 heart:val_interp）。+- 已验证：λ=0 输出与父逐位相同（np.array_equal .X/obsm）、vec-check ok（seed 0 与 seed 1）、单 seed 复跑确定。  ## 下一步建议 -- 表达侧"修正 dp"路线（节点 15 均值位移、22 配对插值、24 符号校正）已三次证伪，**关闭该方向**：任何仅由括号数据计算的逐基因/逐细胞表达修改都无法超越 Δ 的秩信息，且 clip/方差压缩必然损伤 cell_state 组。-- de_score 若要提升，需要 Δ 之外的 dt 信息源：prior/（通路注释推断基因非线性轨迹）或 external/（MOSTA E9.5）——属于新机制族，需 draft 节点。-- 坐标链已确认平台（节点 17/19/21 全网格 <1 分），不建议再动。+- shape_scale 组的二阶矩类全局校正（RMS 缩放、轴比插值）已两轮证伪（节点 17/19/21 平台 + 本节点），若再挖需要**占据结构**层面的机制（径向密度剖面校正），且必须同时监控 d2_shape 与 occupancy_dice 的反向风险。+- 表达侧"修正 dp"方向维持关闭（节点 15/22/24 三次证伪）；de_score 提升需 Δ 之外的信息源（prior/ 或 external/ MOSTA E9.5），属新机制族 draft。+- neighborhood_mmd（skill 0.700，25 分权重最大）对坐标扰动极稳健（本节点 ±6% 轴缩放下 raw 变化 <0.2%），说明温和的全局坐标变形不消耗结构门余量——后续坐标机制可以把门风险预算花在别处。diff --git a/solution/run.py b/solution/run.pyindex c18fa28..9172c75 100644--- a/solution/run.py+++ b/solution/run.py@@ -10,7 +10,18 @@ T2HI_COMPOSITION=linear). Shared types split their quota between the sides as (1-t, t); single-side types draw from that side only, capped by availability with proportional redistribution. -Addition in this node (T2HI-01, per-gene zeroth-moment sign correction):+Addition in this node (T2HI-05, global anisotropic axis-ratio time interpolation):+- env T2HI_GANISO_LAM (default 0.0 = off, early-return bit-for-bit no-op),+  T2HI_GANISO_CLIP (default 0.25): before mixing, the full aligned+scaled a/b+  clouds define a fixed frame (centroid c0, top-3 SVD axes V) and per-axis+  projection stds sigma_a/sigma_b; the target is the log-space time+  interpolation sigma_t = exp((1-t) ln sigma_a + t ln sigma_b). After mixing+  and the existing contraction/aniso/centroid chain, the prediction cloud is+  rescaled per axis around c0 on V by s_j = 1 + lam*(sigma_t_j/sigma_p_j - 1)+  clipped to [1-clip, 1+clip], then the usual jitter + scale_to_rms follow.+  Coordinates only; expression is never touched.++Kept from parent (T2HI-01, per-gene zeroth-moment sign correction): - env T2HI_SIGN_LAM (default 0.0 = off, bit-for-bit no-op): after quota mixing,   compute delta_g = mean_b,g - mean_a,g (drawn cells; or full stage means with   T2HI_SIGN_REF=full), dp_g = pb_pred,g - pb_ref,g, and add the SAME constant@@ -134,6 +145,47 @@ def _jitter(coords: np.ndarray, rng: np.random.Generator) -> np.ndarray:     return out  +def ganiso_axes(ca: np.ndarray, cb: np.ndarray, t: float):+    """Fixed reference frame + per-axis log-interpolated target std (T2HI-05 global).++    Computed on the FULL aligned+scaled side-a and side-b clouds before mixing:+    c0 = global centroid, V = top-3 right singular vectors of the joint cloud,+    sigma_a/sigma_b = per-axis projection std of each side around c0, and+    sigma_t = exp((1-t)*ln sigma_a + t*ln sigma_b). Returns (c0, V, sigma_a,+    sigma_b, sigma_t).+    """+    joint = np.vstack([ca, cb])+    c0 = joint.mean(axis=0)+    dev = joint - c0+    _, _, Vt = np.linalg.svd(dev, full_matrices=False)+    V = Vt[:3].T+    sa = (ca - c0) @ V+    sb = (cb - c0) @ V+    sigma_a = np.maximum(sa.std(axis=0), 1e-9)+    sigma_b = np.maximum(sb.std(axis=0), 1e-9)+    sigma_t = np.exp((1.0 - t) * np.log(sigma_a) + t * np.log(sigma_b))+    return c0, V, sigma_a, sigma_b, sigma_t+++def ganiso_scale(coords: np.ndarray, c0: np.ndarray, V: np.ndarray, sigma_t: np.ndarray, lam: float, clip: float):+    """Anisotropically rescale the mixed cloud toward the target axis stds.++    sigma_p = per-axis projection std of the prediction cloud around the SAME c0+    on the SAME axes V; per-axis factor s_j = 1 + lam*(sigma_t_j/sigma_p_j - 1)+    clipped to [1-clip, 1+clip]; x' = c0 + V diag(s) V^T (x - c0). lam=0 is a+    bit-for-bit no-op (early return). Returns (coords, report dict).+    """+    if lam == 0.0 or coords.shape[0] < 4:+        return coords, {"active": False}+    proj = (coords - c0) @ V+    sigma_p = np.maximum(proj.std(axis=0), 1e-9)+    s = 1.0 + lam * (sigma_t / sigma_p - 1.0)+    s = np.clip(s, 1.0 - clip, 1.0 + clip)+    out = c0 + (proj * s) @ V.T+    sigma_post = np.maximum(((out - c0) @ V).std(axis=0), 1e-9)+    return out, {"active": True, "sigma_p": sigma_p, "s": s, "sigma_post": sigma_post}++ def colocalize(ca, la_sel, cb, lb_sel, t: float, gamma: float, min_count: int):     """Translate each shared type's two drawn sub-clouds onto their interpolated centroid. @@ -612,6 +664,20 @@ def run(view: str, out: str, seed: int) -> None:     target_rms = log_interp(rms_a, rms_b, float(t), damp)     ca = scale_to_rms(aligned_a, target_rms)     cb = scale_to_rms(aligned_b, target_rms)+    ganiso_lam = float(os.environ.get("T2HI_GANISO_LAM", "0.0"))+    ganiso_clip = float(os.environ.get("T2HI_GANISO_CLIP", "0.25"))+    ganiso_frame = None+    if ganiso_lam != 0.0 and ca.shape[0] and cb.shape[0]:+        c0, V, sigma_a, sigma_b, sigma_t = ganiso_axes(ca, cb, float(t))+        ganiso_frame = (c0, V, sigma_t)+        ratio_ba = sigma_b / sigma_a+        print(+            f"[ganiso-pre] lam={ganiso_lam} clip={ganiso_clip} t={float(t):.4f}\n"+            f"  sigma_a={[f'{v:.1f}' for v in sigma_a]} sigma_b={[f'{v:.1f}' for v in sigma_b]}\n"+            f"  sigma_t={[f'{v:.1f}' for v in sigma_t]} ratio_b/a={[f'{v:.3f}' for v in ratio_ba]}\n"+            f"  V_dir_cosines={[[f'{x:.3f}' for x in row] for row in V.T.tolist()]}",+            flush=True,+        )     n = interp_count(stage_a.n, stage_b.n, float(t), lo, hi, 1.0)      types, f_use, f_lin, pa, pb = composition(stage_a.labels, stage_b.labels, float(t), mode, eps)@@ -743,6 +809,20 @@ def run(view: str, out: str, seed: int) -> None:         print(f"[inter] gamma={inter_gamma} min={inter_min} types={len(inter_rep)} rms={rms_radius(coords):.1f}", flush=True)         for ty, cnt, dnorm, delnorm in inter_rep:             print(f"  {ty}: n={cnt} |d_pre-d_post|={dnorm:.4f} |delta|={delnorm:.4f}", flush=True)+    if ganiso_frame is not None:+        c0, V, sigma_t = ganiso_frame+        coords, g_rep = ganiso_scale(coords, c0, V, sigma_t, ganiso_lam, ganiso_clip)+        if g_rep["active"]:+            print(+                f"[ganiso] sigma_p={[f'{v:.1f}' for v in g_rep['sigma_p']]} "+                f"s={[f'{v:.4f}' for v in g_rep['s']]} "+                f"sigma_post={[f'{v:.1f}' for v in g_rep['sigma_post']]} "+                f"sigma_target/sigma_post={[f'{v:.3f}' for v in (sigma_t / g_rep['sigma_post'])]} "+                f"rms={rms_radius(coords):.1f}",+                flush=True,+            )+        else:+            print("[ganiso] inactive (too few cells)", flush=True)     coords = _jitter(coords, rng)     coords = scale_to_rms(coords, target_rms)     print(f"[out] n={expr.shape[0]} out_rms={rms_radius(coords):.1f}", flush=True)

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

完成。总结：

- **做了什么**：按 PLAN T2HI-05 在父 24 管线的坐标链末端（jitter/scale_to_rms 前）实现全云各向异性轴比时间插值：混抽前用两侧全云 SVD 定固定参考轴，σ 做 log 空间时间插值得目标轴展布，混抽后逐轴缩放（`T2HI_GANISO_LAM`/`CLIP`，默认 λ=0 关闭）。机制确认生效：轴比 σ_b/σ_a=[1.05, 0.84, 1.13]，λ=1 时缩放因子 [1.011, 1.064, 1.008]，精确到达 σ_t。
- **查分结果**（5/20 次）：对照 λ=0 = 66.53（与父逐位相同，np.array_equal 验证）；λ=0.5 = 66.48；λ=1.0 = 66.40。d2_shape 随 λ 改善（0.03915→0.03725）但 occupancy_dice 劣化更快（0.8246→0.8080，skill 跌破地板），nbd 变化 <0.2%。预注册放弃规则触发，**提交 λ=0**，正式分与父一致（66.58），vec-check ok（seed 0/1）、复跑确定。
- **下一步最值得试**：① shape_scale 需占据结构层面机制（径向密度剖面），二阶矩类全局校正已两轮证伪，且注意 d2_shape 与 occupancy_dice 可反向；② de_score 提升需 Δ 之外信息源（prior/ 通路或 external/ MOSTA E9.5），属新机制族 draft；③ 温和全局坐标变形几乎不耗结构门余量（nbd 稳健），坐标机制可大胆用门预算。

调研员

异向量作为固定参考轴 V（3×3）。\n2. 分别计算 a 侧、b 侧细胞在 V 各轴上的投影标准差 σ_a[3]、σ_b[3]。\n3. 目标轴标准差（log 空间插值）：σ_t[j] = exp((1−t)·ln σ_a[j] + t·ln σ_b[j])。\n4. 执行已有的配额混抽（不改动）。\n5. 混抽后：计算预测细胞在**同一** V、同一 c0 下的投影标准差 σ_p[3]。\n6. 缩放因子：s[j] = 1 + λ·(σ_t[j]/σ_p[j] − 1)，clip 到 [1−C, 1+C]（C=T2HI_GANISO_CLIP，默认 0.25）。\n7. 对每个细胞坐标：x' = c0 + V·diag(s)·Vᵀ·(x − c0)。\n8. 继续已有管线（jitter + scale_to_rms）。\n\n环境变量：T2HI_GANISO_LAM（默认 0.0 = 关闭，早退，逐位无操作）；T2HI_GANISO_CLIP（默认 0.25）。\n\n网格：λ ∈ {0.5, 1.0}；若 λ=1 有效再试 {0.3, 0.7}。预注册放弃规则：λ=1 时 occupancy_dice raw 改善 <0.005 或 neighborhood_mmd raw 恶化 >10%（相对对照 0.04153），则提交 λ=0。\n\n单输入阶段退路：无括号（只有一个输入阶段）时跳过此步骤，走 copy_last 分支。\n\nvec-score 快速筛选：先跑 λ=0（对照，确认逐位复现）和 λ=1，比较八项。重点看 occupancy_dice raw（基线 0.8143）和 neighborhood_mmd raw（基线 0.04153）。若两者都无显著变化（<噪声），检查 σ_a 与 σ_b 的轴比差异——若三轴差异均 <10%，说明该代理上两阶段形状接近，机制无收益空间，直接提交 λ=0。",
  "expected_groups": ["shape_scale"],
  "risks": "1. 两个输入阶段的全云轴比差异可能很小（心脏在 E8.5→E9.5 形状变化有限），缩放因子接近 1，效果在噪声内。Engineer 应在执行缩放前先打印 σ_a、σ_b、σ_t，若三轴 σ_b/σ_a 均在 [0.9, 1.1] 内则预期收益极小，可提前终止。2. 全云 PCA 轴可能不稳定（受细胞数多的类型主导），缩放方向不反映真正的形状趋势。检查方法：打印 V 的方向余弦，确认主轴与解剖方向大致对应。3. 非等比缩放改变细胞间距离，可能恶化 neighborhood_mmd（当前 skill 0.703，门阈值 0.5，有余量但不能过度消耗）。若 nbd raw 恶化 >10%，降低 λ 或放弃。4. 评分器的 occupancy_dice 会对预测做自己的主轴对齐，若缩放改变了预测的内在主轴方向，效果可能被部分抵消——但温和缩放（因子在 0.75–1.25）下主轴方向变化很小。",
  "family_id": "T2HI-05",
  "mechanism": "用两个输入阶段全云在固定参考轴上的轴标准差做 log 空间时间插值，得到目标轴比，然后沿各轴非等比缩放混抽后的坐标，使预测点云的归一化占据形状（各轴相对展布）更接近目标阶段。",
  "vs_constant_shift": "这是坐标空间的各向异性缩放（三个主轴方向各自不同的缩放因子），不是表达值的逐基因常数位移，也不是等比全局缩放。它改变的是细胞间的相对距离和全云的轴比（形状），不改变任何基因的表达值，也不改变全云 RMS（最后有 scale_to_rms）。",
  "mechanism_evidence": "Engineer 应打印：(1) σ_a[3]、σ_b[3]、σ_t[3] 和缩放因子 s[3]——若三轴缩放因子不全为 1（至少一轴偏离 >5%），机制在运行；(2) 缩放前后全云沿各轴的投影标准差变化；(3) occupancy_dice raw 是否改善（基线 0.8143）；(4) neighborhood_mmd raw 是否保持（基线 0.04153，恶化应 <10%）；(5) d2_shape raw 变化方向。若缩放因子全部 ≈1 但分数变化，说明变化来自数值噪声而非机制。",
  "mechanism_off_control": "T2HI_GANISO_LAM=0 时，缩放因子全为 1，坐标不变，程序早退不执行任何计算。预期：输出 .X 和 obsm 与父节点逐位相同（np.array_equal），vec-score 八项 raw 完全一致（66.53 对照分）。",
  "sources": []
}
```