总览 · ← 返回运行 20261003-172000-search-t2-heart-extrap-chain-12h

节点 n18 在终选来历上

T2HX-02 型内OT配对逐细胞表达速度外推（坐标不动、DE硬门控）：速度被型内单细胞噪声主导、88.7%条目触clip整流致dp方向失效；按PLAN止损规则以机制关（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 5fa95e2854: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 7586402eb4。改动的文件：solution/METHOD.md +19 −21、solution/run.py +140 −84

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex e97c2a7..eedb034 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,34 +1,32 @@-# 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+# T2HX-02 型内OT配对逐细胞表达速度外推（坐标不动、DE硬门控）：速度被型内单细胞噪声主导、88.7%条目触clip整流致dp方向失效；按PLAN止损规则以机制关（逐位=copy_last）提交 -## 方法（PLAN 家族 T2HX-06，机制完整实现，开关 VEC_CANON，提交态默认 0=关）+## 方法（PLAN 家族 T2HX-02，机制完整实现，开关 VEC_ALPHA，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），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。+- 基座：`anchor_entry` 锚阶段（外推榜=末输入）整份输出（n=24826 ≤ max_cells=25179，无抽样），坐标、行序、基因序、细胞数逐位不动；只允许表达沿速度场位移。+- 机制（VEC_ALPHA>0）：(1) `extrap_step` 取上一输入与锚阶段；(2) 每个共有细胞型内，在联合表达 PCA-30（按维 std 归一、成本中位数归一）上用 balanced Sinkhorn（ε=0.05，200 迭代）配对；(3) 锚细胞速度 v_i = x_i^anchor − 其配对计划下前阶段伙伴的 barycenter（型在前阶段缺失则 v_i=0）；单型 >5000 细胞一侧确定性抽 5000 配对、余者 PCA 空间 1-NN 传播；(4) x_pred = max(x + α·v, 0)，α∈{0.01,0.02,0.05}；(5) DE 硬门控：dp=pb(pred)−pb(anchor)、dt_approx=pb(anchor)−pb(prev)，std(dp)<1%·std(dt_approx) 则判 DE 保护未过、不查分回退 α=0。+- 单输入阶段退路：`extrap_step` 无 prev 或锚≠末输入时直接 copy_last。+- 视图无关：不读 board/mode/路径；锚与步长只由时间差决定（平移不变）；PCA `random_state=0`，抽样用 `default_rng(seed)`，α>0 两次运行 sha256 相同（6ae7ae1d…）。未硬编码任何由已发布阶段算出的常数。 -## 机制生效证据（PLAN mechanism_evidence 对应项）+## 机制生效证据（PLAN mechanism_evidence / risks 对应项，seed 0，A 半视图） -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。+1. **配对非随机**（risk 1 中止条件未触发）：32 型中 32 型两阶段共有；逐型中位余弦（v_i vs 型均速度）0.31–0.67，全部 ≥0.3；配对覆盖 24826/24826 细胞（moved_frac=1.0）。+2. **速度场确为逐细胞、非常数位移**（vs_constant_shift）：型内逐维 std 0.61–0.97，|v| 中位 25.64、p95 30.69；但型均速度模长 ≈ med_cos·|v| ≈ 8–16，即**型内噪声分量 ≥ 系统时间分量**——速度主要量度单细胞离散而非发育方向。+3. **clip 伪影击穿方向**（risk 2 触发）：α=0.01/0.02/0.05 下 88.7% 的 (细胞,基因) 条目 x+αv<0 被整流到 0（阈值为 5%）。整流偏置与系统信号同随 α 线性缩放，故 spearman(dp, dt_approx)=0.073 与 α 无关——**不存在能通过调 α 修复方向的档位**。+4. **DE 硬门控判定**：std(dp)/std(dt_approx) = 0.0049（α=0.01）、0.0098（α=0.02）均 <1% → 按 PLAN 步骤(7) 不查分直接回退；仅 α=0.05（比值 0.0244）过门控，对其查分。+5. **四组分变化**（α=0.05 vs 机制关，A 半）：expression_change 50.00→43.38（de_score 原始 0→−0.597、skill 0.38，方向劣于随机；de_direction 0→−0.0505）；cell_state 50.00→49.69（mmd_u 0.05832→0.0586、variogram 0.05806→0.060043，逐细胞噪声注入）；local_spatial 50.00→49.70（neighborhood_mmd 0.1126→0.11585，坐标虽未动，表达噪声仍损害邻域平均分布）；shape_scale 50.00→49.70（三项 skill 仍 0.5，微降来自分组 skill 份额）。榜分 48.11。  ## 机制关对照（PLAN mechanism_off_control） -- 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 判定规则执行--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。+- VEC_ALPHA=0（提交默认，且不设环境变量时同态）：跳过速度计算，输出 sha256=a26c0b78ed1aa4c4… 与父节点 copy_last **逐位一致**；同一文件父节点已实测 50.00（σ=0），不重复查分。+- VEC_ALPHA=0.05：`vec-score --task T2:heart:val_extrap/proxy_noscale` 实测 **48.11**（1 次查分，quota_left=19）。+- PLAN 判定规则执行：48.11 ≤ 50.5 → 机制无收益，以 α=0 提交。  ## 已验证 / 未验证 -- 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。+- 已验证：off 态逐位=copy_last（sha 比对）；α>0 确定性（两次运行同 sha）；seed 0/1 通过 vec-score check；α=0.05 A 半 48.11 及四组分分解；DE 门控与 clip 诊断离线复现。+- 未验证：B 半分数（off 态与父节点同文件，预期同为地板）；伪装视图重跑（代码无视图/绝对时间依赖，off 态输出=视图数据原样，预期通过）；α=0.01/0.02 的查分（被 PLAN 硬门控拦截，未耗额度）。+- 生物学知识来源：无外部知识；仅使用视图内两阶段表达与官方细胞型标签。未使用保留阶段/基因型的任何测量信息。  ## 结论与下一步 -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。+T2HX-02 双向证伪：逐细胞 OT 速度在本数据上=型内噪声+clip 整流，方向信息（spearman 0.07）不足以过 DE 保护后仍有正收益；坐标不动确实保住了 neighborhood 的大头（49.70 vs node 15 动坐标的 45.64 形状组），但表达侧损失无法避免。至此 copy_last 基座上"视图内两阶段速度做加法位移"的三个粒度（全局 node 8、按型 node 4、逐细胞 OT 本节点）全部 ≤ 地板，加法位移族应视为关闭。剩余未试方向仅：(a) 乘法/log 域位移以规避零值整流偏置（但 node 14 的 variogram 教训表明共变结构脆弱）；(b) 接受本榜地板、把预算转向插值榜（ANALYSIS 建议 3）。diff --git a/solution/run.py b/solution/run.pyindex d792e6c..a88358a 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,27 +1,30 @@ #!/usr/bin/env python3-"""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.+"""T2HX-02: per-type OT-paired expression velocity extrapolation, coords frozen.++Base: anchor stage (last input at or before the target) copied out verbatim --+row order, gene order, coordinates and cell count untouched (= copy_last when+the mechanism is off).++Mechanism (VEC_ALPHA > 0):+  1) read the previous input stage and the anchor stage;+  2) within each shared cell type, pair anchor cells to previous-stage cells+     with a balanced Sinkhorn plan (epsilon=0.05, 200 iterations) on a joint+     expression-PCA cost (median-normalized squared distances);+  3) per anchor cell i: velocity v_i = x_i^anchor - barycenter of its matched+     previous-stage partners (v_i = 0 for cells whose type is absent in the+     previous stage, or when there is a single input stage);+  4) x_pred = max(x_anchor + alpha * v, 0); coordinates / row order unchanged;+  5) DE hard gate: dp = pb(pred) - pb(anchor), dt_approx = pb(anchor) -+     pb(prev); if std(dp) < 0.01 * std(dt_approx) the DE no-change protection+     keeps the DE terms at floor, so the mechanism cannot gain -> fall back to+     alpha = 0 (bit-for-bit copy_last).++Types with more than TYPE_CAP cells on either side are paired on a+deterministic subsample; velocities of the remaining cells are propagated from+their nearest paired cell in PCA space (k = 1).++VEC_ALPHA=0 (default) skips the whole mechanism and reproduces copy_last+bit-for-bit (mechanism-off control). """  from __future__ import annotations@@ -30,67 +33,94 @@ import argparse import os  import numpy as np+from sklearn.decomposition import PCA+from sklearn.neighbors import NearestNeighbors  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, ) -CANON = os.environ.get("VEC_CANON", "0") == "1"-DEGEN = float(os.environ.get("VEC_DEGEN", "0.95"))+ALPHA = float(os.environ.get("VEC_ALPHA", "0.0"))+EPS = float(os.environ.get("VEC_EPS", "0.05"))+MAX_ITER = int(os.environ.get("VEC_MAXITER", "200"))+TYPE_CAP = int(os.environ.get("VEC_TYPE_CAP", "5000"))+PCA_DIM = int(os.environ.get("VEC_PCA_DIM", "30")) DEBUG = bool(os.environ.get("VEC_DEBUG"))  -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 _sinkhorn_balanced(cost: np.ndarray, eps: float, max_iter: int) -> np.ndarray:+    a = np.ones(cost.shape[0]) / cost.shape[0]+    b = np.ones(cost.shape[1]) / cost.shape[1]+    K = np.exp(-cost / eps)+    K = np.maximum(K, 1e-300)+    u, v = np.ones_like(a), np.ones_like(b)+    for _ in range(max_iter):+        u = a / np.maximum(K @ v, 1e-300)+        v = b / np.maximum(K.T @ u, 1e-300)+    plan = u[:, None] * K * v[None, :]+    if not np.isfinite(plan).all() or plan.sum() <= 0:+        return np.outer(a, b)+    return plan+++def velocity_field(Xa: np.ndarray, Xb: np.ndarray, la: np.ndarray, lb: np.ndarray,+                   rng: np.random.Generator) -> tuple[np.ndarray, dict]:+    """Per-cell OT-paired velocity for the anchor cells (rows of Xa)."""+    info: dict = {}+    n_a, n_b = Xa.shape[0], Xb.shape[0]+    fit_a = Xa if n_a <= TYPE_CAP else Xa[rng.choice(n_a, TYPE_CAP, replace=False)]+    fit_b = Xb if n_b <= TYPE_CAP else Xb[rng.choice(n_b, TYPE_CAP, replace=False)]+    k = int(min(PCA_DIM, fit_a.shape[0] + fit_b.shape[0] - 1, Xa.shape[1]))+    pca = PCA(n_components=max(k, 2), random_state=0)+    Z = pca.fit_transform(np.vstack([fit_a, fit_b]).astype(np.float64))+    za_all = pca.transform(Xa.astype(np.float64))+    zb_all = pca.transform(Xb.astype(np.float64))+    scale = np.std(Z, axis=0) + 1e-8+    za_all = za_all / scale+    zb_all = zb_all / scale++    V = np.zeros((n_a, Xa.shape[1]), dtype=np.float64)+    types_a, types_b = np.asarray(la).astype(str), np.asarray(lb).astype(str)+    per_type = []+    for t in sorted(set(types_a.tolist())):+        ia = np.flatnonzero(types_a == t)+        ib = np.flatnonzero(types_b == t)+        if len(ib) == 0:+            per_type.append((t, len(ia), 0, 0.0, 0.0))+            continue+        ia_sub = ia if len(ia) <= TYPE_CAP else np.sort(rng.choice(ia, TYPE_CAP, replace=False))+        ib_sub = ib if len(ib) <= TYPE_CAP else np.sort(rng.choice(ib, TYPE_CAP, replace=False))+        xa_s = Xa[ia_sub].astype(np.float64)+        xb_s = Xb[ib_sub].astype(np.float64)+        d2 = np.maximum(+            (za_all[ia_sub] ** 2).sum(1)[:, None] + (zb_all[ib_sub] ** 2).sum(1)[None, :]+            - 2.0 * za_all[ia_sub] @ zb_all[ib_sub].T, 0.0)+        d2 /= np.median(d2) + 1e-8+        plan = _sinkhorn_balanced(d2, EPS, MAX_ITER)+        mass = plan.sum(axis=1, keepdims=True) + 1e-12+        xbary = (plan @ xb_s) / mass+        v_sub = xa_s - xbary+        if len(ia_sub) == len(ia):+            V[ia] = v_sub+        else:+            nn = NearestNeighbors(n_neighbors=1).fit(za_all[ia_sub])+            j = nn.kneighbors(za_all[ia])[1][:, 0]+            V[ia] = v_sub[j]+        vnorm = np.linalg.norm(v_sub, axis=1)+        tv = v_sub.mean(axis=0)+        tn = np.linalg.norm(tv) + 1e-12+        cos = (v_sub @ tv) / (vnorm * tn + 1e-12)+        within_std = float(v_sub.std(axis=0).mean())+        per_type.append((t, len(ia), len(ib), float(np.median(cos)), within_std))+    info["per_type"] = per_type+    info["n_paired_cells"] = int(sum(r[1] for r in per_type if r[2] > 0))+    return V, info   def main() -> None:@@ -112,22 +142,48 @@ def main() -> None:     X = stage.X[rows].toarray().astype(np.float32)     coords = stage.coords[rows] -    if CANON:-        coords, info = canonicalize(coords)-        if DEBUG:-            print(-                "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)+    if ALPHA > 0:+        prev_entry, last_entry, _ratio = extrap_step(manifest)+        if prev_entry is None or float(last_entry["time"]) != float(anchor_entry(manifest)["time"]):+            if DEBUG:+                print("single input or anchor != last: fallback copy_last", flush=True)+        else:+            prev = read_stage(args.data, prev_entry, genes)+            Xa = X.astype(np.float64)+            Xb = prev.X.toarray().astype(np.float64)+            V, info = velocity_field(X, prev.X.toarray().astype(np.float32),+                                     stage.labels[rows], prev.labels, rng)+            pba = Xa.mean(axis=0)+            pbb = Xb.mean(axis=0)+            dt_approx = pba - pbb+            Xp = np.maximum(Xa + ALPHA * V, 0.0)+            dp = Xp.mean(axis=0) - pba+            std_ratio = float(np.std(dp) / (np.std(dt_approx) + 1e-12))+            clip_frac = float((Xa + ALPHA * V < 0).mean())+            moved = float((np.abs(V).sum(axis=1) > 1e-9).mean())+            vnorm = np.linalg.norm(V, axis=1)+            sp = float(np.corrcoef(_rank(dp), _rank(dt_approx))[0, 1])+            if DEBUG:+                print(f"gate: std(dp)/std(dt_approx)={std_ratio:.4f} clip_frac={clip_frac:.4f} "+                      f"moved_frac={moved:.4f} |v| med={np.median(vnorm):.4f} "+                      f"p95={np.percentile(vnorm, 95):.4f} spearman(dp,dt_approx)={sp:.4f}",+                      flush=True)+                for t, na, nb, cos, wstd in info["per_type"]:+                    print(f"  type {t}: n_anchor={na} n_prev={nb} med_cos={cos:.3f} within_std={wstd:.4f}",+                          flush=True)+            if std_ratio < 0.01:+                if DEBUG:+                    print("DE hard gate: alpha too small, fallback to copy_last", flush=True)+            else:+                X = Xp.astype(np.float32)      write_t2(args.out, X, coords, genes, seed=args.seed)  +def _rank(x: np.ndarray) -> np.ndarray:+    from scipy.stats import rankdata+    return rankdata(x)++ if __name__ == "__main__":     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**：按 PLAN 完整实现 T2HX-02（型内 balanced-Sinkhorn ε=0.05 配对 → 逐细胞表达速度外推，坐标/行序/细胞数不动，DE 硬门控，VEC_ALPHA 开关）。离线诊断：配对非随机（med_cos 0.31–0.67）但速度被型内单细胞噪声主导（|v| 中位 25.6，型内 std ≥ 系统分量）；α=0.01/0.02 未过 std(dp)≥1% 门控（回退不查分）；所有 α 下 88.7% 条目触 clip 整流，spearman(dp,dt_approx)=0.073 且不随 α 变（信号与整流同线性缩放，无档位可修）。

**查分结果**（1/20 额度）：α=0.05 = **48.11**（de_score 原始 −0.597 劣于随机，四组全 ≤ 地板）；机制关（默认提交态）sha256 与父节点 copy_last 逐位一致 = 50.00，未重复查分。按 PLAN ≤50.5 规则以 α=0 提交。确定性（双运行同 sha）、seed 0/1 格式检查、视图无关性均通过。

**下一步最值得试**：加法位移族三个粒度（全局/按型/逐细胞 OT）已全部 ≤ 地板，应关闭；本榜 18 节点停在地板且本地-官网不兑现，建议把预算转向插值榜，或仅在 log 域乘法位移（规避零值整流）方向做最后一次低成本试探。

调研员

```json
{"name": "型内OT配对表达速度外推（坐标不动，DE硬门控）",
 "motivation": "父节点17及ANALYSIS确认：copy_last基座上视图内几何/表达微扰族（T2HX-01/02/03/04/06，5个节点）全部≤地板50.00。node 15尝试T2HX-02 OT位移场但动了坐标（48.92），neighborhood_mmd（25分+门控形状25分）被破坏。ANALYSIS唯一剩余建议是'引入跨阶段时间方向信息的配对型内细化'。本方案与node 15的关键区别：坐标完全不动，仅沿OT配对速度微调表达，从而保护neighborhood_mmd和表达-位置配对。",
 "approach": "步骤：(1) 读两个输入阶段（如E8.25、E8.75），按型（labels字段）分组；(2) 每型内用balanced Sinkhorn（epsilon=0.05，max_iter=200）在表达空间配对两阶段细胞，得映射π；(3) 对锚阶段（最晚输入）每个细胞i计算速度 v_i = x_{π(i)}^{t2} − x_i^{t1}（若i在t1无配对则v_i=0）；(4) 外推 x_pred_i = x_anchor_i + α·v_i，α初始0.02，搜索{0.01,0.02,0.05}；(5) clip到[0,∞)；(6) 坐标、行序、基因序、细胞数全部照抄锚阶段（=copy_last坐标）；(7) DE硬门控：计算伪批量dp与真值方向（用两阶段差近似）的std比值，若std(dp)<1%·std(dt_approx)则判定α太小、DE保护未过，不查分直接回退α=0；(8) 快速筛选：先对前2000个细胞+500基因子矩阵验证std(dp)门控和mmd_u方向，通过后再全量写入；(9) 全量写入后查vec-score（最多2次：α最优档+α=0对照）。单输入阶段退路：若视图只有一个输入阶段，无法算速度，直接输出copy_last（=α=0）。",
 "expected_groups": ["expression_change", "cell_state"],
 "risks": "(1) 两输入阶段细胞型组成差异大导致OT配对质量差、速度方向错误→Engineer应在步骤(3)后打印每型配对数和中位余弦相似度，若中位<0.3则中止；(2) clip伪影（node 6/8教训）：α=0.02时若>5%基因被clip到0，降到0.01；(3) 本地尺子高估（ANALYSIS已确认外推榜本地-官网不兑现）：即使本地>50.5也需警惕，但本方案最多查2次分，不追本地微幅领先；(4) 30分钟时限：Sinkhorn在25000细胞×500基因上可能慢→先按型分块并行，单型>5000细胞时随机采样5000做配对再kNN传播到全量。",
 "family_id": "T2HX-02",
 "mechanism": "用视图内两个观测阶段做型内balanced-OT配对，得到细胞级表达速度向量，沿该速度对锚阶段表达做小步外推；坐标完全不动以保护表达-位置配对（neighborhood_mmd）。",
 "vs_constant_shift": "常数位移对每个型施加同一向量（所有同型细胞移动相同方向和幅度）；本方案的速度是逐细胞由OT配对决定的——同型内不同细胞因配对对象不同而获得不同速度向量，产生型内异质性变化，且速度方向由个体细胞在表达空间的位置决定而非型均值。",
 "mechanism_evidence": "(1) 打印每型内速度向量的型内标准差：若≈0则退化为常数位移，机制未生效；(2) 打印被实际移动的细胞比例（|v_i|>ε的占比）和位移幅度分布；(3) 对比α=0与α>0时de_score/de_direction原始值是否从0变化（过DE保护门槛）；(4) 对比mmd_u和variogram是否朝改善方向动（若mmd_u恶化>0.002则机制有害）。",
 "mechanism_off_control": "环境变量VEC_ALPHA=0（默认提交态）：跳过速度计算和外推，输出与copy_last逐位相同（表达、坐标、行序均不动），预期分数=50.00=地板。对比：VEC_ALPHA>0时若分数≤50.5则判定机制无收益，以α=0提交。",
 "sources": []}
```