总览 · ← 返回运行 20261003-105537-search-t2-heart-extrap-g24-D

节点 n17

T2HX-06 坐标规范化：copy_last 基座上做质心归零→PCA主轴对齐→det=+1修正→第三矩定向的刚体规范化；A半实测榜分与机制关相同（八项skill全部=地板），按PLAN判定规则以机制关（逐位=copy_last）提交

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 7586402eb4: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 9fc2b13a32。改动的文件：solution/METHOD.md +20 −28、solution/run.py +80 −163

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 61d4264..e97c2a7 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,42 +1,34 @@-# T2HX-04 微小全局位移(α=0.02)+表达引导坐标2-opt置换：位移clip伪影在α=0.02即击穿DE保护(49.10)，置换仅降能量0.31%、无邻域收益(48.87)，按PLAN止损以机制关(=copy_last逐位)提交+# T2HX-06 坐标规范化：copy_last 基座上做质心归零→PCA主轴对齐→det=+1修正→第三矩定向的刚体规范化；A半实测榜分与机制关相同（八项skill全部=地板），按PLAN判定规则以机制关（逐位=copy_last）提交 -## 方法（PLAN 家族 T2HX-04，机制完整实现，开关默认关）+## 方法（PLAN 家族 T2HX-06，机制完整实现，开关 VEC_CANON，提交态默认 0=关） -- 基座：`anchor_entry` 锚阶段整份输出（n=24826 ≤ max_cells=25179，无抽样），坐标点集、表达值、基因序不变；置换只重排细胞↔坐标配对。-- 阶段A（`VEC_ALPHA`）：`extrap_step(manifest)` 现场取倒数两输入（E8.25_late→E8.75），v = pb(late)−pb(early)（全细胞伪批量），X ← clip(X + α·v, 0)，全局统一方向（非按型）。单输入阶段自动跳过。-- 阶段B（`VEC_SWAP`=B%）：坐标 15-NN（cKDTree）取并集对称图；贪心 2-opt 最小化图上表达余弦距离总和（Dirichlet 能量）。候选用快速近似 gain(i,j) = (x_j−x_i)·(N_i−N_j)（N=邻居单位向量和，批量矩阵化），每对候选先做**精确能量差验证**（含共邻/相邻修正）再执行；best-first，预算 B%·n 或无改善对或超时停止。-- 开关：`VEC_ALPHA`（默认 0=关）、`VEC_SWAP`（默认 0=关）、`VEC_EPS/ROUNDS/KNN/TIMECAP`。只用 manifest 阶段顺序与视图内数据，无视图路径、阶段名、绝对时间分支。--## 网格结果（vec-score T2:heart:val_extrap/proxy_noscale，A 半，共用 2 次查分）--| 配置 | 榜分 | de_score | variogram | mmd_u | neighborhood_mmd | occupancy_dice |-|---|---:|---:|---:|---:|---:|---:|-| identity（父节点实测，=copy_last） | 50.00 | 0 | 0.058616 | 0.05856 | 0.11445 | 0.8066 |-| α=0.02, B=0（只开位移） | 49.10 | −0.125 | 0.064552 | 0.05871 | 0.11463 | 0.8148 |-| α=0.02, B=2%（PLAN 首档完整方案） | **48.87** | −0.125 | 0.064552 | 0.05871 | 0.11459 | 0.8131 |+- 基座：`anchor_entry` 锚阶段整份输出（n=24826 ≤ max_cells=25179，无抽样），表达矩阵、行序、基因序逐位不动，只允许坐标做刚体变换。+- 机制（`VEC_CANON=1`）：(1) 减质心；(2) 协方差 `eigh` → 特征值降序排列主轴，旋转；(3) det(R)<0 则翻最后一轴，保证真旋转；(4) 各轴按第三矩符号定向（使 m3>0），特征值近简并（λ_{j+1}/λ_j>0.95，`VEC_DEGEN`）或 |m3|<1e-9·rms³ 的轴跳过定向；**若定向翻转数为奇数，撤销 |m3| 最小轴的翻转**——总变换保持 det=+1，绝不镜像点云（镜像是生物学错误，且利用评分器只搜 4 种 det=+1 翻转的镜像盲区属于规则明令禁止的 scorer gaming）。+- 单输入阶段退路：机制只用坐标，不需两阶段差分，任意输入数可跑。+- 视图无关：不读 board/mode/路径，不依赖绝对时间（anchor 按“时间差”选，统一平移不变），输出只取决于视图数据与 seed。  ## 机制生效证据（PLAN mechanism_evidence 对应项） -1. **置换统计**：预算 497 对，3 轮扫描只找到 **75** 对精确增益 >EPS 的改善交换即收敛（无改善交换停止）；能量 E0=105046.8 → E1=104718.5，**只降 0.313%** —— 位移后 copy_last 配对仍是坐标-15NN Dirichlet 能量的强局部最优，PLAN 核心假设（微小位移打破局部最优、释放置换收益）**不成立**。-2. **邻域变化**：置换使 neighborhood_mmd 0.11463→0.11459（≈0，A 半 σ=0 下真实但无意义）；且 occupancy_dice 0.8148→0.8131 —— 配对重排虽不动坐标点集，仍通过行序影响评分器占据抽样，反伤 shape_scale（与节点 7/9 官方分 shape 掉到 48 的观察一致）。-3. **四组分对比**（α=0.02+B=2% vs α=0.02+B=0 vs identity）：expression_change 50→47.72（两档相同，全部来自位移的 clip 伪影）；cell_state 50→48.75（variogram 0.0586→0.0646，与节点 11 同族恶化）；local_spatial 50→49.96；shape_scale 50→49.05（置换再扣 occupancy）。-4. **DE 保护自检**（PLAN 风险3）：α=0.02 时 std(dp)=0.00452、max|dp|=0.0236、clip(0) 命中 8.10M 条目（≈65%）——PLAN 假设"α≤0.03 时 clip 伪影极小、保护不击穿"**被证伪**：de_score=−0.125、de_direction=−0.0598，保护已击穿（复刻 node6/11 失败模式，且阈值比节点 11 的 α≥0.20 低一个量级——均匀位移 v 的 std(v)=0.41 比 PCA 缩放残差大得多）。+1. **规范化数值**（VEC_DEBUG 打印，seed 0）：质心≈0（锚坐标本已居中，‖centroid‖~1e-13）；特征值 [18720.2, 16467.3, 11849.9]，λ比 0.88/0.72，无近简并、无跳过轴；det_R=+1.000000；第三矩 pre=[+105092, −470136, +46267]。+2. **第三矩定向被 det=+1 守卫撤销**：唯一 m3<0 的轴（轴1）翻转会使总 det=−1（镜像），按守卫撤销 → flips=[]，点云只被 PCA 旋转。这是刻意的：det=+1 的任何符号构型评分器自己都会枚举，规范化无信息增益；det=−1（镜像）被规则禁止。+3. **不变量核验**：off 态输出 sha256=a26c0b78ed1aa4c4…与父节点 copy_last **逐位一致**；on 态两次运行（on.h5ad / on2.h5ad）sha256 相同（确定性）；seed 1 亦通过 vec-check。表达矩阵、行序、细胞数、点集内在几何（全部点对距离）off/on 相同。+4. **四组分对比**（on vs off，A半）：expression_change 与 cell_state 原始值逐位相同（de=0/0，mmd_u=0.05856，variogram=0.058616，nb=0.11445）；shape_scale 的 d2_shape 0.04911→0.04891、occupancy_dice 0.8066→0.8148、scale_log_ratio −0.4334→−0.4375 出现小幅漂移（刚体不变量理论上不动，漂移来自评分器对旋转后坐标重算 PCA 对齐/占据网格的浮点与抽样路径），但八项 skill 全部仍=0.5，组分与榜分不变。  ## 机制关对照（PLAN mechanism_off_control） -VEC_ALPHA=0 且 VEC_SWAP=0（提交默认）：跳过两阶段，输出与 copy_last **逐位一致**（sha256 a26c0b78ed1aa4c4…，seed 0 两次运行相同；seed 1 的 .X 与 obsm 逐位相同，仅 uns.generator_seed 字段不同）。预期分数 = 50.00（父节点/节点 1/3/6/8/10/11 提交态实测）。"位移单独开"档 49.10 < identity，证明本方案无任何一档优于机制关。+- VEC_CANON=0（提交默认）：跳过规范化，输出与 copy_last 逐位一致（同 sha256），分数=父节点实测 50.00（同一文件评分 σ=0，不重复查分）。+- VEC_CANON=1：`vec-score --task T2:heart:val_extrap/proxy_noscale` 实测 **50.00**（1 次查分，quota_left=19），所有 skill=0.5。 -## PLAN 止损执行+## PLAN 判定规则执行 -PLAN 步骤(5)/风险1：首档（α=0.02, B=2%）= 48.87 ≤ 50.00 → 立即止损，提交 off，不再追加 α×B 网格（位移在 α=0.02 已击穿 DE 保护，更小 α 只会同时缩小"破局"与收益；置换独立收益已被 75/497、0.313%、nb Δ≈0 三个数判死）。+榜分 50.00 不 >50.5 → 按 PLAN 步骤(4) 提交**未规范化版**（=copy_last 逐位）。机制假设（“copy_last 的原始坐标方向不在评分器 4 种翻转能覆盖的最优对齐上”）**被证伪**：occupancy_dice 在评分器内部已做质心归零+主轴对齐+4 种 det=+1 翻转取最优，提交前再做 det=+1 刚体规范化是恒等变换（score-wise）；唯一能改变 occupancy 的是镜像（det=−1），而那属于规则禁止的镜像盲区利用且生物学上错误（心脏左右手性固定）。文献 k026 “刚体旋转可使形状分变化>噪声”在本榜的 det=+1 子空间内不成立。 -## 验证过 / 没验证过+## 已验证 / 未验证 -- 验证过：提交态 `vec-check --task T2:heart:val_extrap/proxy_noscale` = ok（注意：`--data` 形式的 vec-check 在本客户端被拒 "task not allowed"，需带尺子后缀的 --task）；seed 0/1 的 .X、坐标逐位一致；CPU 运行提交态 ~4 s、机制开启态 ~110 s，内存 <1.5 GB（limits 28 GB/30 min 内）；单输入阶段回退（prev=None 跳过位移，置换仍可跑）。-- 没验证过：B 半与伪装视图（提交态与父节点逐位相同，无迁移风险；代码只读 manifest 数据与相对顺序，无绝对时间/路径分支）；真实 final 视图（3 输入时 v 取倒数两输入，机制默认关，不影响提交态）；B>2% 或更小 α 的完整网格（止损规则）。+- 已验证：off=copy_last 逐位（sha 比对）；on 确定性（两次运行同 sha）；seed 0/1 均通过 vec-check；on 态 A 半 50.00。+- 未验证：B 半分数（同规则同地板，on 为刚体变换预期同为地板）；伪装视图重跑（代码无视图/绝对时间依赖，预期通过）。+- 生物学知识来源：仅“心脏手性固定、镜像胚胎非真实形态”这一通用发育常识；未使用任何保留阶段/基因型的测量信息，未硬编码任何由已发布阶段算出的常数。 -## 给树的结论+## 结论与下一步 -- T2HX-04 在本榜**两种形态均证伪**：纯 copy_last 基座上的有界置换（节点 7/9/10：49.60/49.60/50.00）与"微小全局位移破局+置换"（本节点：48.87）。坐标-15NN 配对能量在 copy_last 处已近局部最优（可改善交换 <0.4% 细胞、能量降 0.3%），任何位移预处理都不改变这一事实；置换还会经行序扰动 occupancy_dice。-- 均匀伪批量位移的 clip 伪影击穿 DE 保护的阈值远低于 PCA 缩放族（α≈0.02 vs 0.20）：std(v)=0.41 的全局方向上 α=0.02 就产生 de_score<0。改表达值方案的安全边界应按 std(dp) 而非 α 标定。-- 与节点 11 结论合并：copy_last 基座上均值位移、方差缩放、配对重排及其组合已全部证伪，本榜视图内微扰族关闭；剩余杠杆只有引入视图外时间方向信息（跨阶段配对建模），或接受地板 50.00。+T2HX-06 双向证伪（刚体规范化=恒等；镜像=禁止）。连同 ANALYSIS 的结论，本榜 copy_last 基座上的视图内几何/表达微扰族（T2HX-01/02/03/04/06）已全部穷尽且均≤地板。下一步若在本榜找增量，只剩“引入视图外时间方向信息”的跨阶段配对型内细化（ANALYSIS next_suggestions 2），且须先离线验证 std(dp)<1%·std(dt) 硬门槛。diff --git a/solution/run.py b/solution/run.pyindex 6ede9b6..d792e6c 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,160 +1,96 @@ #!/usr/bin/env python3-"""T2HX-04: micro global expression shift + expression-kNN-guided coord 2-opt swap.--copy_last base (anchor = last input stage, all cells within the manifest range;-coordinate point set and expression values kept, only the cell<->coordinate-pairing may be rearranged).--Mechanism (two stages):-  A) global shift: v = pb(late) - pb(early) from the last two input stages-     (pseudobulk over ALL cells of each stage); X_i <- clip(X_i + alpha*v, 0).-     alpha is tiny (<=0.03) so the DE no-change protection still applies.-  B) coord permutation: build the coordinate 15-NN graph (fixed; the point set-     never moves); greedily swap the coordinates of cell pairs (i,j) when the-     swap lowers the total expression cosine distance over the coord-15NN-     edges (Dirichlet energy). Candidates come from the fast approximation-         gain(i,j) ~ (x_j - x_i) . (N_i - N_j)-     with N_i = sum of unit expression vectors of i's coord neighbours; each-     candidate is re-checked with the exact energy delta before executing.-     Swaps run best-first until the budget (SWAP% of cells) is reached, no-     improving swap is found, or the time cap is hit.--VEC_ALPHA=0 and VEC_SWAP=0 skip both stages and reproduce copy_last-bit-for-bit (mechanism-off control). With a single input stage the shift is-skipped; the swap still runs on the anchor's own expression.+"""T2HX-06: deterministic rigid canonicalization of copy_last coordinates.++Base: anchor stage (last input at or before the target) copied out verbatim+-- expression matrix, row order, gene order untouched; only the coordinate+cloud may be rigidly re-oriented.++Mechanism (VEC_CANON=1):+  1) subtract centroid,+  2) PCA rotation with eigenvalues in decreasing order (principal axes),+  3) flip last axis if det(R) < 0 (proper rotation, det = +1),+  4) orient each axis by the sign of its third moment (make it positive);+     axes whose eigenvalue is near-degenerate with the next one+     (lam_{j+1}/lam_j > VEC_DEGEN, default 0.95) or whose third moment is+     numerically negligible keep the eigenvector sign as returned by eigh+     (deterministic for a given input).++The point set, all pairwise distances, the expression matrix and the+expression<->position pairing are unchanged; only the numeric coordinate+frame is rotated/translated.++VEC_CANON=0 (default) skips the canonicalization and reproduces copy_last+bit-for-bit (mechanism-off control). With a single input stage the base is+the same anchor stage; the mechanism needs no two-stage difference. """  from __future__ import annotations  import argparse import os-import time  import numpy as np  from src.task2_spatial.sample import take from src.task2_spatial.view_io import (     anchor_entry,-    extrap_step,     load_manifest,     panel_genes,     read_stage,     write_t2, ) -# Mechanism switches. Local A-half grid: alpha=0.02 shift ALONE breaks the DE-# no-change protection via clip(0) artefacts (de_score -0.125,-# expression_change 47.72) -> 49.10; adding the 2% coord swap gives 48.87-# (nb 0.11463->0.11459 negligible, occupancy_dice 0.8148->0.8131 hurt by the-# row reordering). PLAN stop-loss (first config <= 50) applies: defaults 0 =-# mechanism off = bit-for-bit copy_last.-ALPHA = float(os.environ.get("VEC_ALPHA", "0.0"))  # 0 = shift off = copy_last X-SWAP = float(os.environ.get("VEC_SWAP", "0.0"))  # % of cells to swap; 0 = off-EPS = float(os.environ.get("VEC_EPS", "0.002"))  # min exact gain to accept a swap-ROUNDS = int(os.environ.get("VEC_ROUNDS", "3"))-KNN = int(os.environ.get("VEC_KNN", "15"))-TIME_CAP = float(os.environ.get("VEC_TIMECAP", "480"))-SEED_BATCH = 1024-TOP_CAND = 16+CANON = os.environ.get("VEC_CANON", "0") == "1"+DEGEN = float(os.environ.get("VEC_DEGEN", "0.95")) DEBUG = bool(os.environ.get("VEC_DEBUG"))  -def coord_swap(X: np.ndarray, coords: np.ndarray, budget: int, seed: int) -> tuple[np.ndarray, dict]:-    """Permute coords rows (cell<->coordinate pairing) to minimise expression-    cosine distance over the coord-15NN graph. Returns (permuted coords, stats)."""-    from scipy import sparse-    from scipy.spatial import cKDTree--    n = X.shape[0]-    rng = np.random.default_rng(seed + 12345)-    tree = cKDTree(coords)-    nbr = tree.query(coords, k=min(KNN, n - 1) + 1)[1][:, 1:]--    rows = np.repeat(np.arange(n), nbr.shape[1])-    A = sparse.coo_matrix((np.ones(rows.size), (rows, nbr.ravel())), shape=(n, n))-    U = (A + A.T).astype(bool).tocsr()-    deg = np.diff(U.indptr)-    maxdeg = int(deg.max())-    Uadj = np.full((n, maxdeg), n, dtype=np.int64)  # pad -> scratch zero row-    for q in range(n):-        Uadj[q, : deg[q]] = U.indices[U.indptr[q] : U.indptr[q + 1]]--    P = X.astype(np.float64)-    P /= np.maximum(np.linalg.norm(P, axis=1, keepdims=True), 1e-12)-    P = np.ascontiguousarray(np.vstack([P, np.zeros((1, P.shape[1]))]))  # scratch row n-    body = slice(0, n)--    def recompute() -> tuple[np.ndarray, np.ndarray, float]:-        N = np.ascontiguousarray(P[Uadj].sum(axis=1))-        d = np.einsum("ij,ij->i", P[body], N)-        E = 0.5 * (float(deg.sum()) - float(d.sum()))-        return N, d, E--    N, d, E0 = recompute()-    stats = {"E0": E0, "E1": E0, "swaps": 0, "rounds": 0, "gain_total": 0.0, "budget": budget}-    if budget <= 0:-        return coords[np.arange(n)], stats--    budget = int(min(budget, n // 2))-    perm = np.arange(n)  # output row c gets coords[perm[c]]-    swaps_done = 0-    t0 = time.time()--    def exact_gain(a: int, b: int) -> float:-        na = Uadj[a, : deg[a]]-        nb = Uadj[b, : deg[b]]-        na = na[na != b]-        nb = nb[nb != a]-        ua, ub = P[a], P[b]-        Pa, Pb = P[na], P[nb]-        return float(-            (Pa @ ub).sum() + (Pb @ ua).sum() - (Pa @ ua).sum() - (Pb @ ub).sum()-        )--    for rd in range(ROUNDS):-        stats["rounds"] = rd + 1-        if swaps_done >= budget or time.time() - t0 > TIME_CAP:-            break-        order = rng.permutation(n)-        moved = np.zeros(n, dtype=bool)-        for s in range(0, n, SEED_BATCH):-            if swaps_done >= budget or time.time() - t0 > TIME_CAP:-                break-            I = order[s : s + SEED_BATCH]-            I = I[~moved[I]]-            if I.size == 0:-                continue-            Pb_ = P[body]-            G = Pb_ @ N[I].T + N @ Pb_[I].T - d[:, None] - d[I][None, :]-            G[I, :] = -np.inf-            flat = G.ravel()-            k = min(TOP_CAND, flat.size - 1)-            top = np.argpartition(flat, -k)[-k:]-            top = top[np.argsort(flat[top])[::-1]]-            done = False-            for f in top:-                if flat[f] <= EPS:-                    break-                a, t = divmod(int(f), I.size)-                b = int(I[t])-                g = exact_gain(a, b)-                if g > EPS:-                    perm[[a, b]] = perm[[b, a]]-                    P[[a, b]] = P[[b, a]]-                    moved[a] = moved[b] = True-                    N, d, _ = recompute()-                    swaps_done += 1-                    stats["gain_total"] += g-                    if DEBUG and swaps_done % 50 == 0:-                        print(f"swap {swaps_done}: gain={g:.4f} t={time.time()-t0:.0f}s", flush=True)-                    done = True-                    break-            if not done and flat.max() <= EPS:-                pass  # no promising pair in this batch-    _, _, E1 = recompute()-    stats["E1"] = E1-    stats["swaps"] = swaps_done-    return coords[perm], stats+def canonicalize(coords: np.ndarray) -> tuple[np.ndarray, dict]:+    C = np.asarray(coords, dtype=np.float64)+    info: dict = {"n": C.shape[0]}+    centroid = C.mean(axis=0)+    Z = C - centroid+    info["centroid"] = centroid.tolist()+    cov = (Z.T @ Z) / max(Z.shape[0] - 1, 1)+    lam, V = np.linalg.eigh(cov)+    order = np.argsort(lam)[::-1]+    lam = lam[order]+    V = V[:, order]+    if np.linalg.det(V) < 0:+        V = V.copy()+        V[:, -1] *= -1.0+    info["eigenvalues"] = lam.tolist()+    info["det_R"] = float(np.linalg.det(V))+    Zr = Z @ V+    rms = float(np.sqrt((Zr**2).sum(axis=1).mean()))+    info["rms"] = rms+    m3 = (Zr**3).mean(axis=0)+    info["third_moment_pre"] = m3.tolist()+    flips = []+    skipped = []+    for j in range(Zr.shape[1]):+        near_degen = j + 1 < len(lam) and lam[j] > 0 and (lam[j + 1] / lam[j]) > DEGEN+        negligible = abs(m3[j]) < 1e-9 * rms**3+        if near_degen or negligible:+            skipped.append(j)+        elif m3[j] < 0:+            flips.append(j)+    # keep the total transform a proper rotation (det = +1): the third-moment+    # orientation must not mirror the cloud (biologically wrong, and mirroring+    # to exploit the scorer's det=+1-only flip search is gaming). If the flip+    # count is odd, undo the flip on the axis with the smallest |m3|.+    undo = None+    if len(flips) % 2 == 1:+        undo = min(flips, key=lambda j: abs(m3[j]))+        flips = [j for j in flips if j != undo]+    info["undo_axis"] = undo+    info["skipped_axes"] = skipped+    for j in flips:+        Zr[:, j] *= -1.0+    info["flipped_axes"] = flips+    info["third_moment_post"] = (Zr**3).mean(axis=0).tolist()+    info["det_total"] = float(np.linalg.det(V) * ((-1.0) ** len(flips)))+    return Zr, info   def main() -> None:@@ -176,38 +112,19 @@ def main() -> None:     X = stage.X[rows].toarray().astype(np.float32)     coords = stage.coords[rows] -    # ---- stage A: global micro shift -----    if ALPHA != 0.0:-        prev_entry, _, _ = extrap_step(manifest)-        if prev_entry is not None:-            prev = read_stage(args.data, prev_entry, genes)-            pb_early = np.asarray(prev.X.mean(axis=0)).ravel().astype(np.float64)-            pb_late = np.asarray(stage.X.mean(axis=0)).ravel().astype(np.float64)-            v = pb_late - pb_early-            X0 = X.mean(axis=0).astype(np.float64)-            Xs = X.astype(np.float64) + ALPHA * v[None, :]-            X = np.clip(Xs, 0.0, None).astype(np.float32)-            if DEBUG:-                dp = X.mean(axis=0).astype(np.float64) - X0-                print(-                    f"alpha={ALPHA} std(v)={v.std():.4f} std(dp)={dp.std():.5f} "-                    f"max|dp|={np.abs(dp).max():.4f} n_clip={int((Xs < 0).sum())}",-                    flush=True,-                )-        elif DEBUG:-            print("single input stage: shift skipped", flush=True)--    # ---- stage B: coord permutation -----    if SWAP > 0.0:-        budget = int(round(SWAP / 100.0 * X.shape[0]))-        coords, st = coord_swap(X, coords, budget, args.seed)+    if CANON:+        coords, info = canonicalize(coords)         if DEBUG:-            drop = st["E0"] - st["E1"]             print(-                f"swaps={st['swaps']}/{st['budget']} rounds={st['rounds']} "-                f"E0={st['E0']:.1f} E1={st['E1']:.1f} drop={drop:.2f} ({100*drop/max(st['E0'],1e-9):.3f}%)",+                "canon: centroid={centroid} eig={eigenvalues} det_R={det_R:.6f} "+                "rms={rms:.4f} m3_pre={third_moment_pre} m3_post={third_moment_post} "+                "flips={flipped_axes} skipped={skipped_axes} det_total={det_total:.6f}".format(+                    **{k: info.get(k) for k in info}+                ),                 flush=True,             )+    elif DEBUG:+        print("canon OFF: bit-for-bit copy_last", flush=True)      write_t2(args.out, X, 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

Done. Final state verified: default `run.py` (no env) = bit-for-bit copy_last (sha `a26c0b78…`, matches parent), passes `vec-check`; canon code behind `VEC_CANON` switch as control.

**Summary**
- Implemented PLAN T2HX-06: deterministic rigid canonicalization of copy_last coords (centroid→PCA axes→det=+1→third-moment orientation), with a det=+1 guard that vetoes any mirroring (biologically wrong + scorer mirror-blindspot gaming is forbidden).
- Mechanism evidence: eigenvalues [18720, 16467, 11850], no degeneracy, det_R=+1; the single m3<0 axis flip was vetoed by the guard, so on-state is a pure PCA rotation.
- Queries used: 1/20. canon-on scored **50.00** on proxy_noscale A-half (all 8 skills = floor 0.5; expression/cell_state raws bit-identical to off; occupancy 0.8066→0.8148 raw drift but same skill). Off-state = parent's copy_last file, 50.00 established (σ=0), not re-queried.
- PLAN rule (>50.5 → submit canon) not met → submitted mechanism-off (= copy_last, score 50.00). Hypothesis falsified: the scorer's occupancy_dice already does centroid+PCA+4 det=+1 flips, so any proper-rotation pre-canonicalization is score-wise identity.
- Next best direction: this board's in-view perturbation families (T2HX-01/02/03/04/06) are now exhaustively falsified on copy_last; only cross-stage pairing with external time-direction info (with std(dp)<1%·std(dt) hard gate) remains, or reallocate budget to the interpolation boards where local gains transfer to official scores.

调研员

oordinate permutation). Parent node 13 is at floor 50.00 with all micro-perturbation families exhausted. The ANALYSIS explicitly closes view-internal perturbation and suggests either external information or T2HX-06. The direction library marks T2HX-06 as "本榜最需要" (most needed on this board), and literature note k026 documents that the shape metric's PCA alignment doesn't fix handedness, causing >noise score variance from rigid rotations. This hasn't been tried in the tree.

```json
{"name": "T2HX-06 坐标规范化：PCA主轴+手性固定消除形状评分方向方差",
 "motivation": "父节点13及全树17个节点中，除node5(52.74,未复现)外全部停在地板50.00。ANALYSIS明确关闭视图内微扰族。方向库标注T2HX-06为'本榜最需要'且从未被尝试。文献k026记录：形状指标PCA对齐不固定行列式，同一预测的刚体旋转可使形状分变化超过噪声(>1分)。当前copy_last输出的坐标方向是原始数据给定的任意方向，可能不在评分器4种det=+1翻转能覆盖的最优对齐上。",
 "approach": "步骤：(1) 从anchor_entry读末输入阶段，输出copy_last(X、坐标、行序不变)；(2) 对坐标做规范化：减质心→PCA旋转(按特征值降序排列主轴)→强制det=+1(若det<0则翻转最后一轴)→按各轴第三矩符号定向(使第三矩为正)；(3) 表达矩阵、行序、基因序完全不动；(4) vec-score查分，若榜分>50.5则提交规范化版，否则提交未规范化版(=copy_last)。关键参数：无搜索参数，规范化是确定性流程。单输入阶段退路：只有一个阶段时仍可做规范化(只需坐标，不需两阶段差分)。若PCA特征值近简并(λ2/λ3>0.95)，跳过该轴定向以避免不稳定。用vec-score一次查分即可判定(噪声~1分，>50.5才有意义)。",
 "expected_groups": ["shape_scale"],
 "risks": "1) 评分器occupancy_dice已做4种翻转取最优，规范化可能无额外收益(发现方式：查分后形状组无变化)；2) PCA近简并导致主轴不稳定，规范化引入随机性(发现方式：两次运行输出不同，加特征值比检查)；3) 规范化后行序不变但坐标值变，理论上不影响occupancy_dice抽样(它按细胞数抽，不按行序)，但需确认。Engineer应在实现后先打印特征值比和det，确认规范化稳定。",
 "family_id": "T2HX-06",
 "mechanism": "对坐标做确定性刚体规范化(质心归零→PCA主轴对齐→行列式修正→第三矩定向)，消除输入数据任意方向带来的形状评分方差，不改变点云形状、表达值或细胞配对。",
 "vs_constant_shift": "不涉及任何表达值修改(常数位移改X矩阵)；不改变细胞组成或坐标点集的内在几何(全局重加权改组成)；仅做刚体旋转使坐标呈现确定性方向，所有点对距离、邻域关系、表达-位置配对完全不变。",
 "mechanism_evidence": "Engineer打印：(1)规范化前后的坐标质心、PCA特征值、旋转矩阵det；(2)d2_shape原始值(应逐位不变，验证刚体不变性)；(3)occupancy_dice原始值变化(这是唯一可能受影响的指标)；(4)四组分对比确认expression_change和cell_state不变。若occupancy_dice变化>0.005且方向一致(多次查分)，说明方向确实影响评分。",
 "mechanism_off_control": "环境变量VEC_CANON=0(默认)时跳过规范化步骤，输出与copy_last逐位一致。预期：off态榜分=50.00(地板)；on态若机制有效则occupancy_dice改善→shape_scale>50，否则=50.00。两态表达矩阵和坐标点集(作为点集)完全相同，仅坐标数值因旋转不同。",
 "sources": []}
```