总览 · ← 返回运行 20261003-094242-search-t2-embryo-interp-g24-D-s2

节点 n24

体素占据插值引导坐标再分布（T2EI-06）已实现并对照：η>0 占据 L1 降、occupancy_dice 仅 +0.005，邻域 mmd +0.0013 破否决线，净负；提交默认 η=0，与父节点逐位一致。

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 2c14430cfb: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 d4132aa7d7。改动的文件：solution/METHOD.md +31 −34、solution/run.py +122 −1

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 23a84fe..762293e 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,49 +1,46 @@-型内基因共变重着色（PLAN T2EI-01）已实现并对照：η>0 时相关矩阵反而离目标更远、variogram 与 neighborhood 均劣化；另测坐标各向异性 boost（±）也劣化 occupancy_dice。提交默认 η=0、boost=0，输出与父节点 13/15/17 逐位相同。+体素占据插值引导坐标再分布（T2EI-06）已实现并对照：η>0 占据 L1 降、occupancy_dice 仅 +0.005，邻域 mmd +0.0013 破否决线，净负；提交默认 η=0，与父节点逐位一致。 -## 方法（family T2EI-01，PLAN：whitening-recolor 修共变结构）+## 方法（family T2EI-06，PLAN：occupancy-guided coordinate redistribution） -父节点 17 全部管线不动（mix 分层混抽、procrustes3d、α=5 收敛位移、λ=6 投影加权、β=0.2 配对收缩、各向异性坐标整形 damp=1.25、jitter、RMS 回缩）。在 β/varrest 之后、写出表达之前新增机制（`T2_RECOLOR_ETA`，默认 0=跳过）：+父节点 21 全部管线不动（mix 分层混抽、procrustes3d、α=5 收敛位移、λ=6 投影加权、β=0.2 配对收缩、各向异性坐标整形 damp=1.25、jitter、RMS 回缩；表达侧 recolor/varrest/prog 开关保持父节点默认的关闭态）。在 RMS 回缩之后、写出之前新增坐标再分布步骤（`T2_OCCUP_ETA`，默认 0=整体跳过）： -1. 对每个共有类型（原始括号两侧各 ≥10 细胞、输出侧 ≥4 细胞，实测 10 个型）：取在两侧与输出侧 nnz 比例都 ≥0.03 的基因子集（实测中位 70.5 个基因）。-2. `C_a`、`C_b` = 两侧原始细胞的基因-基因协方差；`C_target = (1−t)·C_a + t·C_b`；`C_out` = 输出侧该型细胞绕 μ_out 的协方差。-3. 传输映射 `W`：`sym`（默认）用 Bures/Wasserstein 映射 `C_out^{-1/2}(C_out^{1/2} C_target C_out^{1/2})^{1/2} C_out^{-1/2}`（满足 `Wᵀ C_out W = C_target`），`plan` 用 PLAN 原文的 `C_target^{1/2} C_out^{-1/2}`；`C_out` 加 5% 迹脊正则，偏离单位阵的部分截断到 `C_out` 前 k=50 个特征方向（低秩）。-4. 型内偏差 `d = x − μ_out` → `d·(I + η·(W − I))`，只覆写原本 >0 的条目（零模式不变），clip ≥0，再按该基因 nnz 条目数摊回重居中（沿用节点 17 的修正），型均值/pseudobulk/DE 不动。-5. 不消费 rng、不改细胞选择、不改坐标；单输入阶段退路不变（main() 提前 return 分层复制，机制不执行）。+1. **评分器同款归一化**（`_dice_normalize`）：去质心、PCA 对齐（第三矩定向各轴，强制 det=+1）、除以 RMS 半径。对输出云和括号两侧全部原始细胞（`align_pair` 对齐后的 aligned_a / aligned_b）分别做同样归一化。+2. **体素占据**：±3 范围内 16³ 均匀网格（与 occupancy_dice 评分器一致），统计 a 侧、b 侧、输出侧每体素计数并归一化为概率密度。+3. **目标占据**：P_tgt(v) = (1−t)·P_a(v) + t·P_b(v)，t 与 mix 相同（本代理 = 0.4）。+4. **限幅位移**：输出细胞所在体素若 P_out > P_tgt（过密），朝最近欠密体素（P_out < P_tgt）中心方向位移 η·(P_out−P_tgt)/P_out，限幅 0.3 个网格步长（=0.1125 归一化单位）；P_out ≤ P_tgt 的细胞不动。+5. **回缩**：位移加在归一化坐标上，逆归一化（×rms、@Vᵀ、+质心）回输出帧，再 `scale_to_rms` 均匀回缩到原 target_rms（scale_log_ratio 保持）。表达矩阵逐位不动；细胞移动时携带自己的表达，表达-位置配对不变。+6. **单输入阶段退路**：无括号时 main() 提前 return，机制不执行（与父节点一致）。+7. 机制不消费 rng，η=0 时不建网格、不改坐标。 -另加坐标侧对照开关 `T2_ANISO_BOOST`（默认 0）：`factor = (target/cur)^(1+boost)`，把主轴展幅沿括号指示的方向进一步推离/推近各向同性，用于检验父节点建议的 occupancy_dice 整形方向。--知识来源：只用视图内两个括号阶段自身的测量（型内协方差）；「中间态共变按时间线性插值」是通用插值假设，无文献数值，无保留阶段/基因型信息。+知识来源：只用视图内两个括号阶段自身的坐标测量与 t 线性插值假设；16³/±3RMS 网格与归一化方式来自任务书公开的 occupancy_dice 评分规则说明，无保留阶段/基因型信息，无外部文献数值。  ## 机制生效证据（seed 0，proxy E6.75+E8.0→E7.25，t=0.4） -- 实际改变的细胞：10 个型、3150/5000 个细胞、42666 个 nnz 条目（=该子集全部 nnz 条目，entries_frac 1.0）；nnz 总数 206427→206431/206438/206448（η=0.1/0.25/0.5，clip 归零 <0.01%，稀疏结构保持）。-- 型均值最大漂移 0.00048（η=0.1）/0.0047（η=0.5），单条目最大改动 1.36/6.80；DE 两项 raw 完全不动（de_score 0.25、de_direction 0.3853）。-- **机制未达其设计目标**：型内相关矩阵到 `C_target` 的 Frobenius 距离随 η **增大**（相对值 1.0034 / 1.0092 / 1.0210，>1 表示更远），不满足 PLAN 预期的单调下降。原因是重着色作用于连续偏差，而输出矩阵的相关结构由保留下来的零模式（dropout 掩码）主导：nnz-only 覆写后实测相关并不跟随 `W`。-- 四组分变化（A 半，同日锚点 η=0：cell_state 48.93 / expression_change 60.97 / local_spatial 58.16 / shape_scale 77.31，与节点 17 锚点一致）：η=0.25 → cell_state 49.06（mmd_u 0.01164→0.01151 改善，但 variogram 0.01442→0.01443 略劣）、local_spatial 57.84（neighborhood_mmd 0.05506→0.05577）、expression_change 与 shape_scale 不变（不触碰均值与坐标）。--## 关闭对照（mechanism_off_control）+- **实际改变的细胞**：η=0.3/0.6/1.0 均移动 3242/5000 个细胞（过密体素内全部细胞）；平均位移 0.093/0.106/0.109 归一化单位（≈14–16 µm），最大 0.1125（限幅值，多数细胞被限幅饱和）；表达矩阵与细胞数逐位不变，输出 RMS 149.2 不变。+- **占据 L1 距离**（|P_out−P_tgt| 总和）：0.680 → 0.472（η=0.3）/ 0.514（η=0.6）/ 0.522（η=1.0），下降，机制按其设计目标生效；对插值占据集的 self-dice 0.781 → 0.826。+- **occupancy_dice raw**（A 半，同日锚点 0.8066）：η=0.3 → 0.8113（+0.0047，points 3.511→3.591）。+- **neighborhood_mmd raw**：锚点 0.05506 → η=0.3 0.05636（**+0.0013，> PLAN 0.001 否决线**），points 14.54→14.40。+- **d2_shape raw**：锚点 0.0047 → 0.00542（劣化，points 8.159→8.066）；scale_log_ratio 0.0162 不变（points 7.767→7.768）。+- **四组分变化**（A 半）：expression_change 60.97 不变、cell_state 48.93 不变（不触碰表达）、shape_scale 77.75→77.70、local_spatial 58.16→57.58。净榜分变化 ≈ **−0.16**（在 ±1 噪声内，但方向为负且触发否决线）。 -`T2_RECOLOR_ETA=0`（提交默认）+ `T2_ANISO_BOOST=0`：重着色步骤整体跳过、各向异性因子退化为父节点表达式（`x**1.0 == x`），输出与父节点 17 提交在相同 seed 下逐位相同（结构上无 rng 消费、无坐标/选择改动；本地重跑两次 X 与 spatial_3D array_equal，`vec-check` ok，n=5000）。开启后（η>0 / boost≠0）输出确实改变（上节条目数与 raw 变化），机制生效但未获益。+结论：占据密度重排确实按设计改变了占据（L1 下降、occupancy_dice 微升），但收益（+0.08 points）远小于 neighborhood_mmd 损失（−0.145 points）+ d2_shape 损失（−0.09 points）。邻域项对"细胞位置被搬运"高度敏感——即使表达随细胞一起移动、配对不变，15-NN 邻域的组成仍被打乱。这是树内第四次独立观察到 local_spatial 与形状/状态类改动之间的实测权衡（节点 15、17、21 之后）。 -## 查分结果（A 半，seed 0，共用 5/20 次）+## 关闭对照（mechanism_off_control） -| 配置 | cell_state | local_spatial | shape_scale | variogram raw | mmd_u raw | neighborhood raw | occupancy_dice | d2_shape |-|---|---:|---:|---:|---:|---:|---:|---:|---:|-| η=0（锚，=父节点） | 48.93 | 58.16 | 77.31 | 0.01442 | 0.01164 | 0.05506 | 0.8086 | 0.00661 |-| η=0.1 | – | – | – | – | – | 0.05534 | – | – |-| η=0.25 | 49.06 | 57.84 | 77.75 | 0.01443 | 0.01151 | 0.05577 | – | – |-| aniso boost +0.4 | 48.93 | 58.21 | 76.27 | – | – | 0.05494 | 0.7897 | 0.00556 |-| aniso boost +0.8 | 48.93 | 58.16 | 75.48 | – | – | 0.05505 | 0.7917 | 0.00737 |-| aniso boost −0.5 | 48.93 | 58.17 | 76.54 | – | – | 0.05502 | 0.7898 | 0.00505 |+`T2_OCCUP_ETA=0`（提交默认）：位移步骤整体跳过（不建网格、不改坐标、不消费 rng），本地重跑输出与父节点 21 提交在 seed 0 下 `array_equal` 验证逐位相同（X 与 spatial_3D 均 True），`vec-check` ok，n=5000。开启（η>0）后坐标改变 3242 个细胞、表达矩阵逐位不变、细胞数不变（上节），机制生效但净负。 -结论：(1) 共变重着色触发 PLAN 的一票否决——variogram 未按预期下降（+0.00001），neighborhood_mmd 随 η 劣化（+0.00028@0.1、+0.00071@0.25），组分净负；η=0.5 未查（趋势单调，预期更差）。mmd_u 的微改善（−0.00013）在 25 分权重的邻域损失面前不成立。(2) 坐标各向异性两个方向都降低 occupancy_dice（0.8086→0.79），说明父节点 damp=1.25 已在该指标局部最优，`ANISO_BOOST` 无收益（d2_shape 在 boost<0 时略好、在 boost>0 时略差，但组分被 occupancy 主导）。+## 查分结果（A 半，seed 0，共用 3/20 次） -## 提交+| 配置 | shape_scale | local_spatial | occupancy_dice raw | d2_shape raw | neighborhood raw | scale raw |+|---|---:|---:|---:|---:|---:|---:|+| η=0（锚点，=父节点） | 77.75 | 58.16 | 0.8066 | 0.0047 | 0.05506 | 0.0162 |+| η=0.3, clamp=0.3 | 77.70 | 57.58 | 0.8113 | 0.00542 | 0.05636 | 0.0162 |+| η=0.6 / 1.0 | 未查分（L1 与 self-dice 均劣于 η=0.3，位移已限幅饱和，判负后未消耗额度） | | | | | | -默认 η=0、boost=0，与父节点 17 逐位一致（预期榜分 62.52 不变）。代码、开关与诊断保留供后续节点复用。+按 PLAN 步骤 7：η=0.3 无净改善且 neighborhood raw 升幅 +0.0013 > 0.001 → 判负，提交 η=0（与父节点 21 逐位一致，B 半预期 62.52）。 -## 给后续节点的建议+## 未验证 -- 共变路线在「nnz-only 覆写」约束下走不通：输出的基因-基因相关主要由零模式决定，连续偏差的线性重着色改不动它（实测相关距离随 η 上升）。若要真改共变，必须允许改变零模式（新增/删除非零条目），而节点 5 的教训是密集化会崩 variogram/mmd_u；因此建议**放弃表达侧型内变换**（方差幅度 node17、共变结构 node21 两条都已证伪）。-- occupancy_dice（skill 0.42）是最大单项空间，但沿主轴展幅的一维整形（damp 与 boost 两个方向）已在局部最优。下一步值得试的是**改变占据的形状而非展幅**：例如按括号阶段的体素占据概率做坐标层面的重排/局部搬运（保表达-坐标配对：搬细胞不搬值），或用 z 离散切片结构（层间距/层内密度）向目标插值——两者都不改表达值，因而不受 neighborhood_mmd 的表达侧惩罚，只承担坐标抽样噪声。-- 任何表达侧改动先在 A 半用同日关闭态锚点对比（本节点锚点四组分 48.93/60.97/58.16/77.31 与节点 17 一致），把 neighborhood_mmd raw 列为一票否决。+- η=0.6/1.0 未查分（η=0.3 已触发否决线，PLAN 规定即停；且其占据 L1 更差）。+- clamp 放宽到 0.5 格未试：occupancy_dice 在 η=0.3 已有变化（非 PLAN 风险 1 的"无变化"分支），且收益量级（+0.08 points）已被证明远小于邻域损失量级，放宽只会加大搬运距离、进一步伤邻域。+- 更小的 clamp（如 0.15 格）未试：按比例外推 occupancy 收益 ~+0.04、邻域损失 ~−0.07，仍为净负方向，未消耗额度验证。diff --git a/solution/run.py b/solution/run.pyindex e886ed2..3c7e744 100644--- a/solution/run.py+++ b/solution/run.py@@ -202,6 +202,117 @@ ANISO_DAMP = float(os.environ.get("T2_ANISO_DAMP", "1.25")) ANISO_BOOST = float(os.environ.get("T2_ANISO_BOOST", "0.0")) ANISO_CLIP = (float(os.environ.get("T2_ANISO_CLIP_LO", "0.3")),               float(os.environ.get("T2_ANISO_CLIP_HI", "3.0")))+# Occupancy-guided coordinate redistribution (family T2EI-06, this node): the mix+# output is a superposition of the two bracketing clouds, so its voxel occupancy+# pattern is the UNION of both stages' shapes rather than an intermediate state —+# the structural reason occupancy_dice sits at 0.8086 (skill 0.424). After the+# full pipeline (aniso → jitter → RMS rescale) and before writing, re-normalise+# the output cloud exactly like the occupancy_dice metric (centroid, PCA with+# det=+1 and third-moment orientation, RMS → 1), build the scorer's ±3 RMS 16³+# grid, and compute voxel probability densities for the a-side, b-side and the+# output. Target occupancy P_tgt = (1−t)·P_a + t·P_b. Every output cell in an+# OVER-dense voxel (P_out > P_tgt) is displaced toward the centre of its nearest+# UNDER-dense voxel (P_out < P_tgt) by η·(P_out−P_tgt)/P_out (clamped to+# OCCUP_CLAMP grid steps), then the cloud is de-normalised and uniformly+# rescaled to the same target RMS (scale_log_ratio untouched). Cells carry their+# expression with them, so expression–position pairing is preserved and the+# expression matrix is bit-identical. η = 0 (default) skips the step entirely and+# reproduces the parent bit-for-bit.+OCCUP_ETA = float(os.environ.get("T2_OCCUP_ETA", "0.0"))+OCCUP_CLAMP = float(os.environ.get("T2_OCCUP_CLAMP", "0.3"))  # grid steps+OCCUP_GRID = int(os.environ.get("T2_OCCUP_GRID", "16"))+OCCUP_RANGE = float(os.environ.get("T2_OCCUP_RANGE", "3.0"))+++def _dice_normalize(c):+    """occupancy_dice-style normalisation: centroid, PCA (det=+1, third-moment+    orientation), divide by RMS radius. Returns (p_unit, mu, V, rms)."""+    c = np.asarray(c, dtype=np.float64)+    mu = c.mean(axis=0)+    p = c - mu+    cov = p.T @ p / max(len(p) - 1, 1)+    w, V = np.linalg.eigh(cov)+    V = V[:, np.argsort(w)[::-1]]+    p = p @ V+    for j in range(p.shape[1]):+        if (p[:, j] ** 3).mean() < 0.0:+            p[:, j] = -p[:, j]+            V[:, j] = -V[:, j]+    if np.linalg.det(V) < 0.0:+        p[:, -1] = -p[:, -1]+        V[:, -1] = -V[:, -1]+    rms = float(np.sqrt((p ** 2).sum(axis=1).mean()))+    return p / max(rms, 1e-12), mu, V, rms+++def _voxel_probs(p, G, R):+    """Voxel probability density on a G³ uniform grid over [−R, R]³, plus indices."""+    idx = np.floor((p + R) * (G / (2.0 * R))).astype(np.int64)+    np.clip(idx, 0, G - 1, out=idx)+    flat = (idx[:, 0] * G + idx[:, 1]) * G + idx[:, 2]+    counts = np.bincount(flat, minlength=G ** 3).astype(np.float64)+    return counts / max(counts.sum(), 1.0), idx, flat+++def occupancy_redistribute(coords, aligned_a, aligned_b, t: float, eta: float):+    """See OCCUP_ETA comment. Modifies coordinates only; no rng consumed."""+    G, R = OCCUP_GRID, OCCUP_RANGE+    step = 2.0 * R / G+    pn, mu, V, rms = _dice_normalize(coords)+    pa, _, _, _ = _dice_normalize(aligned_a)+    pb, _, _, _ = _dice_normalize(aligned_b)+    P_out, idx_out, flat_out = _voxel_probs(pn, G, R)+    P_a, _, _ = _voxel_probs(pa, G, R)+    P_b, _, _ = _voxel_probs(pb, G, R)+    P_tgt = (1.0 - float(t)) * P_a + float(t) * P_b+    excess = P_out - P_tgt+    info = {"occup_eta": eta, "occup_clamp": OCCUP_CLAMP, "occup_grid": G,+            "occup_l1_before": float(np.abs(excess).sum()),+            "occup_l1_after": None, "occup_moved": 0, "occup_n_cells": int(pn.shape[0]),+            "occup_disp_mean": None, "occup_disp_max": None,+            "occup_dice_self_before": None, "occup_dice_self_after": None,+            "occup_tgt_voxels": int((P_tgt > 0).sum()),+            "occup_out_voxels": int((P_out > 0).sum())}++    def _occ(p):+        pr, _, _ = _voxel_probs(p, G, R)+        return pr > 0.0++    occ_tgt = P_tgt > 0.0  # occupied set implied by the interpolated density+    occ_out_before = _occ(pn)+    info["occup_dice_self_before"] = float(+        2.0 * np.logical_and(occ_out_before, occ_tgt).sum()+        / max(occ_out_before.sum() + occ_tgt.sum(), 1))++    deficit = np.flatnonzero(P_out < P_tgt)+    sel = np.flatnonzero(excess[flat_out] > 0.0)+    if deficit.size == 0 or sel.size == 0:+        info["occup_l1_after"] = info["occup_l1_before"]+        info["occup_dice_self_after"] = info["occup_dice_self_before"]+        return coords, info+    gx = (np.arange(G) + 0.5) * step - R+    centers = np.stack(np.meshgrid(gx, gx, gx, indexing="ij"), axis=-1).reshape(-1, 3)+    dc = centers[deficit]+    pos = pn[sel]+    d2 = ((pos[:, None, :] - dc[None, :, :]) ** 2).sum(axis=-1)+    nearest = dc[np.argmin(d2, axis=1)]+    dirv = nearest - pos+    dirv /= np.maximum(np.linalg.norm(dirv, axis=1, keepdims=True), 1e-12)+    ratio = excess[flat_out[sel]] / np.maximum(P_out[flat_out[sel]], 1e-12)+    mag = np.minimum(eta * ratio, OCCUP_CLAMP * step)+    pn_new = pn.copy()+    pn_new[sel] = pos + dirv * mag[:, None]+    info.update({"occup_moved": int(sel.size),+                 "occup_disp_mean": float(mag.mean()),+                 "occup_disp_max": float(mag.max())})+    P_new, _, _ = _voxel_probs(pn_new, G, R)+    info["occup_l1_after"] = float(np.abs(P_new - P_tgt).sum())+    occ_new = P_new > 0.0+    info["occup_dice_self_after"] = float(+        2.0 * np.logical_and(occ_new, occ_tgt).sum()+        / max(occ_new.sum() + occ_tgt.sum(), 1))+    out = (pn_new * rms) @ V.T + mu+    return out, info   def aniso_reshape(coords, aligned_a, aligned_b, t: float, damp: float):@@ -795,7 +906,13 @@ def mix_converge(stage_a, stage_b, t: float, params: dict, alpha: float):         aniso_info.update(ai)     coords = _jitter(coords, rng)     coords = scale_to_rms(coords, target_rms)+    occup_info = {"occup_eta": OCCUP_ETA if OCCUP_ETA != 0.0 else 0.0}+    if OCCUP_ETA != 0.0 and coords.shape[0] >= 10:+        coords, oi = occupancy_redistribute(coords, aligned_a, aligned_b, t, OCCUP_ETA)+        coords = scale_to_rms(coords, target_rms)+        occup_info = oi     info.update(aniso_info)+    info.update(occup_info)     info.update(         t=t, n=int(expr.shape[0]), rms_a=rms_a, rms_b=rms_b, target_rms=target_rms,         out_rms=rms_radius(coords), n_from_a=int(ia.size), n_from_b=int(ib.size), **conv, **pair_info,@@ -846,7 +963,11 @@ def main() -> None:                                           "recolor_cells_total", "recolor_entries_changed",                                           "recolor_entries_frac", "recolor_rel_corr_dist",                                           "recolor_max_entry_change", "recolor_max_mean_drift",-                                          "recolor_zero_before", "recolor_zero_after")}+                                           "recolor_zero_before", "recolor_zero_after",+                                           "occup_eta", "occup_clamp", "occup_l1_before", "occup_l1_after",+                                           "occup_moved", "occup_n_cells", "occup_disp_mean", "occup_disp_max",+                                           "occup_dice_self_before", "occup_dice_self_after",+                                           "occup_tgt_voxels", "occup_out_voxels")}     print(json.dumps({"bracket": [a["stage"], b["stage"]], **keep}, 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

完成。总结：

**做了什么**：按 PLAN（T2EI-06）在父节点 21 管线的 RMS 回缩后新增体素占据插值引导的坐标再分布（`T2_OCCUP_ETA`，评分器同款归一化 + 16³/±3 网格 + P_tgt=(1−t)P_a+tP_b + 过密细胞朝最近欠密体素的限幅位移 + RMS 回缩），表达逐位不动。

**查分结果**（A 半，用 2/20 次）：η=0 锚点组分 60.97/48.93/77.75/58.16；η=0.3 移动 3242/5000 细胞、占据 L1 0.680→0.472、occupancy_dice 0.8066→0.8113（+0.08 pts），但 neighborhood_mmd 0.05506→0.05636（+0.0013，破 PLAN 0.001 否决线，−0.145 pts）且 d2_shape 劣化（−0.09 pts），净 ≈ −0.16。按 PLAN 判负，**提交默认 η=0**，与父节点 21 逐位一致（array_equal 验证），vec-check ok，seed 0 双跑确定，B 半预期 62.52。

**下一步最值得试**：occupancy_dice 的收益上限（~+0.1 pts）已被证明远小于任何坐标搬运对 neighborhood_mmd 的损伤——形状组的坐标再分布方向可判死。剩余最大空间在 variogram（skill 0.389），但型内数值变换三连败（节点 17/19/21）；建议转向"选哪些真实细胞"层面且不触发坐标重抽样噪声的方案（如保持父节点坐标抽样流、只换表达配对的细胞选择），或接受 62.52 平台、把改进火力转到心脏外推榜（本地尺子高估已知，前 10 在 55–62）。

调研员

 相同的归一化——去质心、PCA 对齐（强制 det=+1，第三矩定向）、除以 RMS 半径，得到单位球内坐标。同时对括号两侧原始细胞（对齐后）做相同归一化。\n2. **体素占据计算**：在 ±3 范围内建 16³ 均匀网格（与评分器一致），分别统计 a 侧、b 侧、输出侧每体素的占据计数，归一化为概率密度（计数/总细胞数）。\n3. **目标占据插值**：P_target(v) = (1−t)·P_a(v) + t·P_b(v)，t 为插值分数（与 mix 一致）。\n4. **位移场计算**：对每个输出细胞，找其所在体素 v；若 P_out(v) > P_target(v)（过密），计算该细胞到最近欠密体素（P_out < P_target）的方向向量，乘以强度 η·(P_out(v)−P_target(v))/P_out(v)。位移限幅：单细胞位移 ≤ 0.3 个网格步长（≈0.19 RMS 单位），避免大距离搬运破坏邻域。若 P_out(v) ≤ P_target(v)，不移动。\n5. **应用与回缩**：将位移加到归一化坐标上，逆归一化回原尺度，再均匀缩放到原目标 RMS（保 scale_log_ratio）。表达矩阵逐位不动。\n6. **单输入阶段退路**：无括号时 main() 提前 return，机制不执行（与父节点一致）。\n7. **vec-score 筛选**：先跑 η=0（锚点，应与父节点逐位一致）确认基线；再跑 η=0.3, 0.6, 1.0 三档，同时报 occupancy_dice、d2_shape、scale_log_ratio、neighborhood_mmd 四项 raw。neighborhood_mmd raw 升幅 >0.001 即停。若 η=0.3 已有改善，细分 0.1–0.5 区间；否则判负、提交 η=0。\n8. **关键参数初值与范围**：η ∈ {0, 0.3, 0.6, 1.0}（位移缩放因子）；位移限幅 0.3 格（固定）；网格 16³（与评分器一致）。预计查分 ≤6 次。",
  "expected_groups": ["shape_scale"],
  "risks": "1. 小位移可能不足以改变 16³ 网格上的占据模式（体素边长约 0.375 RMS，位移限幅 0.19 RMS 可能不够跨体素）——若 η=1.0 时 occupancy_dice 无变化，可放宽限幅到 0.5 格再试一次，若仍无变化则判负。2. 坐标搬动改变邻域组成，可能伤 neighborhood_mmd——用限幅和仅移动过密区细胞来控制；neighborhood_mmd raw 升幅 >0.001 即停。3. 两侧阶段的占据差异可能主要在 PCA 对齐后已消除的方向上（即 aniso 已捕获），剩余差异太小——这会导致机制无效但无害（η=0 提交）。4. 30 分钟内实现风险低：核心是网格统计 + 最近欠密体素搜索，无迭代优化。",
  "family_id": "T2EI-06",
  "mechanism": "在评分器同款归一化（质心+PCA+RMS）下，把括号两侧体素占据概率按 t 线性插值得到目标占据，对过密体素中的细胞施加朝最近欠密体素的限幅位移，使输出云的占据形状从两阶段叠加态向插值中间态靠拢。表达随细胞移动，配对不变。",
  "vs_constant_shift": "常数位移对每个型的所有细胞施加相同向量，不改变占据形状；本机制的位移是逐细胞、位置依赖的（取决于所在体素的过密程度和最近欠密体素的方向），目的是重排占据模式而非平移整体。全局组成重加权改变型比例但不改坐标；本机制不改型比例、不改表达，只改坐标分布。",
  "mechanism_evidence": "Engineer 应报告：(1) 被移动的细胞数和平均/最大位移；(2) 移动前后各体素占据计数与目标占据的 L1 距离（应下降）；(3) occupancy_dice raw 变化（应从 0.8086 上升）；(4) neighborhood_mmd raw 变化（应 < +0.001）；(5) d2_shape、scale_log_ratio raw（应基本不变）；(6) 四组分变化。若被移动细胞数为 0 或占据 L1 距离不变，说明机制未生效。",
  "mechanism_off_control": "T2_OCCUP_ETA=0 时，位移步骤整体跳过（不计算网格、不修改坐标），输出与父节点 21（η=0, boost=0，即节点 13 管线）在相同 seed 下逐位相同（array_equal 验证）。开启后（η>0），坐标改变但表达矩阵不变，细胞数不变。",
  "sources": []
}