BSC 專題課程 / VFB 專題課程 / PART 8

PART 8

真的讓它跑一遍

把 PART 7 的十條指令實際執行一次:對出來的結果、對不上的三類,以及中途冒出來、到現在還沒解掉的一個矛盾

← PART 7 要怎麼交代 AI Agent PART 9 讀懂它寫出來的程式 →

1先講清楚:哪些數字是預先知道的

這一頁不是一次盲測。PART 7 那十條指令能寫得出來,是因為寫它們之前已經先跑過一次可行性查證——不先確認「這件事做得出來」,沒有人會把十條指令寫成那個樣子。所以底下有一部分數字,在這一輪開始之前就已經知道答案了。

把它攤開來講,是因為這門課從 PART 1 開始的規矩就是數字要說得出從哪裡來;而「這個數字是不是獨立算出來的」跟「這個數字對不對」同樣重要。下面這張表逐項交代:

數字這一輪之前就知道嗎憑據
論文那一側的靶:778 列、732 個型、52,827 顆,以及四個分組的顆數是PART 7 發布時就引著 out/nern2025_target.json——那支程式是為了寫指令 1 而寫的
VFB 那一側的神經元總數 53,402是寫十條之前試算過,但沒有存成檔案,所以 PART 7 上看不到它
兩種比對鍵的命中率 96.8% 與 74.7%是同上。指令 5 會寫成「至少做兩種」,正是因為試算時看到這個差距
逐列比對的 753 / 732 / 21是同上
指令 8 換第二條路得到的 60,002 與那個沒解掉的 263(第 5 節)否這一輪第一次跑,而且結果出乎意料
指令 9 那張圖,以及圖上落在對角線的點數否這一輪才畫
指令 10 的乾淨重跑:18 秒、50 秒、五個輸出檔逐位元組相同否這一輪才做
用 bodyId 把 A 類追到底的結果(第 4b、4c 節)否這一頁發布之後才做的補查,而它把「對不上的三類」收斂成一句話:兩邊差了一個版本

表中「是」的四列,出自 out/nern2025_target.json(PART 7 即引用)與本輪重跑的 out/recompute/target.json、out/recompute/vfb.json、out/recompute/compare.json;「否」的三列出自 out/recompute/cross_check.json、out/recompute/figure.json、out/recompute/run_meta.json。皆為 2026-09-15 取得。

所以這一頁能證明什麼、不能證明什麼。
能:這條流程跑得起來,從一個空資料夾重跑會得到同一組數字,而且每一個數字都指得出來源。
不能:不能證明「一個沒看過答案的 AI Agent 照這十條做,也會得到同一組數字」。那件事要另外做一次才算數,而它不在這一頁裡。
那為什麼還要寫這一頁?因為第 6 節那十條裡,真正有意思的不是數字對不對,是哪幾條指令實際跑起來以後不夠用。那一部分沒有預先知道的答案——指令要改成什麼樣子,是跑完才看得出來的。

2結論:對出來的結果

論文正文那一句是:

We classified around 53,000 visual system neurons into 732 cell types

只用 VFB 上的資料重算一次,逐型跟論文的補充表對起來,結果是:

753
兩邊名字對得上的型(論文共 778 列)
732
其中顆數也完全相同的
21
對得上、但顆數不同的
575
兩邊總顆數的差(53,402 − 52,827)

四個數字出自 out/recompute/compare.json 的 matched、same_count、different_count、total_cells_delta,由 recompute/recompute.py 於 2026-09-15 產生。

一句話的結論:真正對上的不是 732 這個型數,是「逐型的顆數」。
我們沒有從 VFB 數出 732 個型——VFB 那一側末端類別有 821 個。對上的是另一件事:論文列出的 778 列裡,有 732 列的顆數跟 VFB 算出來的一模一樣。這兩個 732 剛好相等,但它們不是同一件事(下面拆給你看)。
那兩個 732 是巧合——貨真價實的巧合。拆開看就知道,它們只是剛好都等於 778 減 46,而那兩個 46 毫無關係:
算式那個 46 是什麼
論文的分型數778 − 46 = 73246 個型各佔兩列(一列 _L、一列 _R)
顆數相同的列數778 − (21 + 25) = 73221 列顆數不同 + 25 列 VFB 那側沒有
一個講的是左右側,一個講的是比對結果,兩者之間沒有任何因果。而如果沒有拆開,「我們算出 732,論文也是 732」讀起來就像一次漂亮的驗算——那正是這一整頁在防的那種錯覺。
論文VFB(Nern2024)
神經元52,827 顆(補充表逐列加總)53,402 顆
「型」732 個 cell type,分成 778 列(同一個型可以有左右兩列)844 個類別,其中泛稱 23 個、末端類別 821 個
比對鍵兩種都試過,命中率差 22 個百分點。細節見下面那張表——兩種鍵的分母不一樣,不能直接並排看

論文側出自 out/recompute/target.json;VFB 側的 neurons、classes_all、classes_generic、classes_leaf 出自 out/recompute/vfb.json;兩個命中率出自 out/recompute/compare.json 的 key_choice。2026-09-15。

為什麼是 778 列卻只有 732 個型

一列不是一個型,是一個「型+側別」的實例。778 − 732 = 46,而剛好有 46 個型在表裡佔了兩列——一列 _L、一列 _R,46 個全部成對,沒有例外。686 個型各佔一列,加上 46 個各佔兩列,正好 778。

會這樣,是因為這份連結體重建的是右側視葉。把 732 個型按側別攤開。第二欄數的是「型」,第三欄數的是「列」——兩者的換算就寫在表裡:

在表裡出現在型數各佔幾列主要是哪一群
只有 _R635635 列(全是 _R)VPN 319、ONIN 146、ONCN 94 ——視葉自己的神經元
兩側都有4692 列(_R 46 + _L 46)VPN 33、VCN 6 ——連到中腦的,左右兩顆都伸進右視葉
只有 _L5151 列(全是 _L)VCN 44 ——中腦送訊號進視葉的,這裡是左側那顆伸進右視葉
合計732 個型778 列(_R 681、_L 97)

最後那一列是這張表的重點。「只有 _R 的型有 635 個」跟「表裡有 681 列 _R」不衝突——差的 46 列,是那 46 個兩側都有的型貢獻的右側那一半。同理 _L:51 + 46 = 97。看起來打架,是因為一個在數型、一個在數列。

ONIN 一個都沒有兩側,這正合定義——視葉內在神經元的突觸不出視葉,所以只有右側那一群進得了這份重建。會出現在左側的全是跨側的那幾類(H1、DNp27、AN09A005、5-HTPMPV03)。

側別的分解出自 out/recompute/target.json 的 sides(rows_per_type、types_by_side、rows_contributed_by_side、groups_by_side)與 instance_side。2026-09-15。

什麼是「泛稱」、什麼是「末端類別」

VFB 的類別不是一張平表,是一棵由粗到細的樹——往下每一層都是更細的分法。

先講清楚那 844 個是怎麼來的:它不是本體論裡的所有節點,而是「至少有一顆神經元被直接標成它」的類別。所以樹上會有一些節點根本不參與計數。底下是實際的一小段樹,每個節點都套一次規則。每一列有兩個數字,別讀混了——左邊是直接標成這個類別的顆數,右邊是這一叢(它自己+底下全部)總共幾顆:

                                       直接/這一叢共
adult neuron                             1 / 53,402   ← 泛稱(底下還有 840 個)
   └─ adult optic lobe intrinsic neuron  1 / 44,750   ← 泛稱(底下還有 217 個)
        └─ distal medullary amacrine neuron
                                         0 /  4,131   ← 不算:沒有神經元直接標成它
             ├─ Dm15                   242 /    242   ← 末端類別,底下沒東西了
             └─ Dm3                    401 /  1,573   ← 泛稱(底下還有 2 個)
                  ├─ Dm3a              601 /    601   ← 末端類別
                  ├─ Dm3b              571 /    571   ← 末端類別
                  └─ Dm3c                0 /      0   ← 不算:這套資料裡一顆都沒有

這 8 個節點裡,只有 6 個進得了 844——3 個泛稱(adult neuron、adult optic lobe intrinsic neuron、Dm3)、3 個末端類別(Dm15、Dm3a、Dm3b)。另外兩個一顆神經元都沒有,連進場的資格都沒有。

兩個數字的關係,就是那條加法:Dm3 這一叢的 1,573 顆 = 直接掛在 Dm3 的 401 + Dm3a 的 601 + Dm3b 的 571。三者互不重疊——實際查過,沒有任何一顆同時掛在 Dm3 與 Dm3a/Dm3b 底下(重疊 0)。

所以 Dm3 那 401 顆不是矛盾,是一種身分:泛稱身上也可以直接掛著神經元——那是「只被標到這麼細,沒有再細分到 a/b」的那些。「泛稱」不等於「空的中間層」。

反過來的例子也在圖上:distal medullary amacrine neuron 直接掛 0 顆,但這一叢有 4,131 顆。「沒有神經元直接標成它」不代表這一支是空的——它只是不參與計數,底下的類別照樣算。

兩種泛稱,只有一種會讓細胞被數兩次——這點要分清楚。

泛稱的種類例子會不會重複數
分類學上位
(更粗的分法)
Dm3 之於 Dm3a/Dm3b不會。實際查過:沒有任何一顆同時掛在 Dm3 與 Dm3a/Dm3b 底下。那 401 顆 Dm3 是沒有再細分到 a/b 的那些。
但它仍然不能算一個型——那等於在同一份清單裡同時用粗細兩種分型標準。
橫切的屬性
(不是形態,是性質)
adult cholinergic neuron(神經傳導物質)會,而且這才是重複的來源。4,063 顆神經元既有自己的細胞型、又掛在它底下。例如 Mi10_R 同時是 medulla intrinsic neuron Mi10 與 adult cholinergic neuron。

所以為什麼非排掉不可。把 844 個全當成型,顆數加總是 59,739,比神經元總數 53,402 多 6,337——多出來的就是上表第二列那種。「顆數加總超過神經元總數」就是分型規則有問題的警訊,指令 4 第 1 項要 AI 先算的就是這個。

最值得看的是邊界案例。LC10、Dm3、Cm11 這幾個——這些名字看起來已經是細胞型了,卻被判成泛稱,因為 VFB 又往下細分了一層。所以「什麼算一個細胞型」在這裡沒有客觀答案:Dm3 到底是一個型還是三個型,取決於你採信哪一版的分型,而這正是 PART 7 第 3 節那個②號決定的由來。

我們這條規則自己也有一個邊界要講明:判斷「底下有沒有別的類別」時只看這 844 個之內。某個類別在整個 VFB 本體論裡還有下位,但那些下位在這套資料裡一顆神經元都沒有,它在這裡仍算末端。這是我們的選擇,不是資料告訴我們的。

23 個泛稱的完整清單、各自底下有幾個類別、以及各自直接掛了幾顆,出自 out/recompute/vfb.json 的 generic_classes;配對總數 59,739 出自同檔的 instanceof_pairs。樹上每個節點的兩個顆數(cells_directly_here 與 cells_in_subtree)、在不在 844 裡、底下還有幾個、以及判定,出自 out/recompute/class_tree_examples.json 的 tree_nodes(連同 what_the_844_are 那一句);Dm3 與 Dm3a/Dm3b 的重疊數(0)與 4,063/Mi10_R 那個例子出自同檔。全部由 recompute/recompute.py 的 class_tree_examples() 向同一支唯讀知識庫查來。2026-09-15。

那個 22 個百分點的差距,是這一輪最實用的一個發現

先講清楚分子分母各是什麼——兩種鍵各自的自然分母不一樣,所以不能把兩個百分比並排就當成可比:

拿什麼當鍵分子分母命中率
神經元自己的標籤
取括號前那一段(Dm20_R)
753
論文的 instance 名在 VFB 的個體標籤裡找得到的
778
論文表的 instance 列(帶側別)
96.8%
類別標籤的最後一個詞
(Dm15)
547
論文的 cell type 名在 VFB 的類別標籤裡找得到的
732
論文表的 cell type(不帶側別)
74.7%

為什麼分母不同:兩種鍵的粒度不同。VFB 的個體標籤帶側別(Dm20_R),只能跟論文的 instance 欄比——那是 778 列;VFB 的類別標籤不帶側別(Dm15),只能跟論文的 cell type 欄比——那是 732 個。換鍵的時候兩邊都得跟著換,不然比的是兩種東西。

要真的並排比,得先放到同一個分母上。把兩種鍵都降到「型」這一層(個體標籤去掉 _L/_R),分母統一用論文的 732 個型:

用個體標籤 711 / 732 = 97.1%   用類別標籤 547 / 732 = 74.7%   差 22.4 個百分點

(711 不是上面那個 753——753 數的是列,711 數的是型;降到型這一層就沒有左右的區分了。)

上表兩個分子分母出自 out/recompute/compare.json 的 key_choice(含 denominator_is 一欄,寫明各自的分母是什麼);同分母那一組 711/547/732 與 22.4 出自同檔的 key_choice_same_denominator。兩組都由 recompute/recompute.py 於 2026-09-15 產生,執行時也會印在畫面上。

結論不受影響,而且更乾淨:差距就是 22 個百分點。如果只試了後面那一種,你會看到四分之一的型對不上,然後以為是資料本身對不起來。實際上是鍵挑錯了——VFB 的類別標籤是全名(distal medullary amacrine neuron Dm15),而神經元自己的標籤才是論文在用的那種簡寫(Dm15_R)。這正是 PART 2 第 4 節那件事(同一個東西有三個名字)在這裡變成一個百分比。

3兩邊都有、顆數卻不同的 21 列

先接回上一節那條算式,這 21 列是怎麼來的。論文的 778 列裡,有 753 列在 VFB 那一側找得到對得上的名字;這 753 列當中,732 列兩邊的顆數一模一樣,剩下 21 列顆數不同——這一節講的就是那 21 列。(另外 25 列在 VFB 那側完全找不到,那是第 4 節的事。)

左:逐型的顆數散點圖,兩軸都是對數,絕大多數點落在對角線上;右:21 列差異的大小,兩列約 200、六列 2、十三列 1
左:一個點是一個型,橫軸是論文的顆數、縱軸是用 VFB 重算的顆數。空心點是兩邊完全相同的 732 個,實心點是不同的 21 個。兩軸都用對數,因為顆數從 1 跨到兩千多;這裡不必處理 0,因為對得上的型兩邊都至少有 1 顆。右:那 21 列差異由大到小。差距不是連續分布的,而是斷成三段:兩列約 200、六列 2、十三列 1。

圖由 recompute/make_figure.py 畫,資料出自 out/recompute/compare.json;圖上的點數存在 out/recompute/figure.json(on_diagonal=732、off_diagonal=21、largest=202)。2026-09-15。

右邊那張圖的形狀,本身就是答案的一部分。差 2 顆的六列與差 1 顆的十三列,看起來像是逐顆判定的邊界差異——一顆神經元算不算進這個型,兩邊的判斷偶爾不一樣。而最左邊那兩根,是另外一回事:

型論文VFB差
R7p_R95297+202
R8p_R95294+199
R7y_R244246+2
R8y_R245244−1
R7d_R42420
R8d_R41410
六列合計+402

六列出自 out/recompute/compare.json 的 photoreceptor_rows,合計出自同檔的 photoreceptor_delta_total。2026-09-15。

那兩列大的是另一回事,而它有一個有出處的解釋。R7p 的 +202 與 R8p 的 +199,不是誰算錯,是兩邊拿的資料差了一個版本——論文的版本註記明寫,新版「調整了一些個別細胞的分型,其中幾乎全是 R7 與 R8 光受器」。證據與推導都在第 4c 節。

4對不上的三類

指令 7 要求把對不上的部分列完,不要只給數量。結果是三類:

A
只在論文補充表裡:25 列 —— 改用 bodyId 再查一次,25 列全部有下落 用名字比,這 25 列在 VFB 一個都找不到。但名字對不上不代表東西不在:論文補充表有一欄 bodyId,而 VFB 的標籤裡也帶著它(Dm15_R (JRC_OpticLobe:65558))。改用編號查,18 列當場現身——同一顆神經元,兩邊取了不同的型名。詳見下一節。
B
只在 VFB 這邊:184 個名字,共 221 顆 —— 其中 12 個其實就是 A 類那幾列,扣掉後剩 172 名字的前綴幾乎都是中腦的腦區代號:AVLP 35 個、PLP 29 個、SLP 14 個、PVLP 12 個、LHAV 11 個、DNg 9 個、DNge 8 個、PS 7 個。抽三個去查,查到的是adult serotonergic PLP neuron 與 adult anterior optic tubercle neuron 050/065 這類東西。判斷:這一類比較像「兩邊收錄的範圍本來就不同」——VFB 的資料集連帶收了一些伸進視葉的中腦神經元,而論文補充表的範圍是視覺系統的型錄。這是推測,我們只查了三個。
C
兩邊都有、顆數不同:21 列 就是第 3 節〈兩邊都有、顆數卻不同的 21 列〉那 21 列。兩列是論文自己標註過的光受器缺口,其餘十九列差 1 到 2 顆。

三類的數量與清單出自 out/recompute/compare.json:only_in_paper(25)、only_in_paper_explained_by_split(7)、only_in_paper_unexplained(18)、only_in_vfb(184)、only_in_vfb_cells(221)、only_in_vfb_prefix_top、paper_split_vfb_did_not。2026-09-15。

4b換一個鍵:用 bodyId 把 A 類追到底

指令 5 逼我們比較兩種名字當鍵。但 A 類那 25 列告訴我們還有第三種鍵——編號。論文表的 bodyId 欄與 VFB 標籤括號裡那串,是同一份重建的同一個編號。用它再查一次,25 列分成四堆:

幾列是什麼
① 一對一改名10同一顆、顆數也相同,只是名字不同:HST_R→HS4_R、LAL047_R→LoVC8_R、LC35a_R→LoVP15_R、LC35b_R→LoVP104_R、LT85_R→LoVP87_R、V1_L→LPT58_L、mALD1_L→LoVC10_L…
② 側別標到另一邊1DNc01_L 在 VFB 併進了 DNc01_R——所以 VFB 那一列是 2 顆而論文是 1 顆。這同時解釋掉第 3 節那 21 列差異裡的一列。
③ 論文拆、VFB 併7Li11a+Li11b→Li11_R(2+2=4)、LoVP90a/b/c→LoVP90_R(1+1+1=3)、VST1+VST2→VT_R(3+4=7)。三組的加總都跟 VFB 那一列的顆數完全相等。
④ VFB 沒有收7共 11 顆。編號在 VFB 的 JRC_OpticLobe 命名空間裡完全不存在:AN09A005(左右各一列)、AN27X013(左右各一列),以及三個名字帶 TBD(待定)的。為什麼沒收,見下一節——原因跟①②③其實是同一個。

四堆的分類與完整清單出自 out/recompute/compare.json 的 by_body_id(kinds、absent、n_renamed、cells_absent、only_in_vfb_after),由 recompute/recompute.py 的 resolve_by_body_id() 產生;「只出現在 Berg2025」出自一次知識庫查詢。2026-09-15。

為什麼非得用編號不可——光看名字會猜錯。那 25 列裡有 LC39a_R 與 LC39b_R,看起來顯然是「LC39 被拆成 a 和 b」。編號查出來不是這樣:LC39a_R 確實對到 LC39_R,但 LC39b_R 對到的是 LoVP51_R——一個完全不同的名字。字串猜得出形狀,猜不出身分,而猜錯的那一個不會自己舉手:它照樣會被歸進「已經解釋掉了」那一堆。
所以 A 類真正「沒有解釋」的只有 ④ 那 7 列、11 顆。而 B 類也跟著縮水:那 184 個「只在 VFB」的名字裡,有 12 個其實就是 A 類那幾列改了名,扣掉之後是 172 個。
換一個鍵,兩類同時變小。這件事回頭看 指令 5:它要求「至少兩種鍵、都回報數字」——做對了方向,但兩種都選了名字。真正該加的一句是「有沒有一個兩邊共用的編號」。
A 類那個「論文拆、VFB 沒拆」,正是 PART 7 第 3 節那個②號決定的真面目。「什麼算一個細胞型」不是一個哲學問題——它在這裡具體成三個名字:論文認為 LoVP90 應該分成三型,VFB 這一版還記成一型。兩邊都沒錯,只是分型的版本不同。而如果我們只報一個「命中率 96.8%」,這件事就完全看不見了。

4cVFB 完全沒收的 7 列:兩邊差了一個版本

上一節把 25 列分成四堆,看起來是四個獨立的現象。其實是同一件事。

VFB 收的是 optic-lobe:v1.0.1,論文補充表是 optic-lobe:v1.1。
這不是猜的——VFB 自己的資料集描述就寫著:Optic Lobe connectome neurons from optic_lobe:v1.0.1, Nern et al., 2024. 而論文的資料可用性指向 ?dataset=optic-lobe:v1.1。

論文有一整節叫〈Versions of the dataset〉,開頭就是:

Two releases of the optic lobe dataset are available: the initial release (optic-lobe:v1.0.1) and the current version of the dataset (optic-lobe:v1.1).

先驗一件事:這個說法站得住嗎

〈Versions of the dataset〉那一節還寫了一句可以直接拿來對答案的話:

We also revised some cell-type definitions (5 types were split into a total of 11 new types and 2 types were merged into a single type).

那就把全部 778 列都用 bodyId 對一次,看能不能自己數出「5 個型拆成 11 個」。結果:

v1.0.1 的型(VFB 這一側)在 v1.1 變成(論文那一側)
VT_RVST1_R、VST2_R
Li11_RLi11a_R、Li11b_R
LoVP90_RLoVP90a_R、LoVP90b_R、LoVP90c_R
LoVP70_RLoVP51_R、LoVP70_R
DNc01_RDNc01_L、DNc01_R
5 個11 個

五組的還原出自 out/recompute/compare.json 的 by_body_id.version_gap(splits_recovered、n_v101_types_split、n_v11_types_produced),由 recompute/recompute.py 把 778 列逐列用 bodyId 對到 VFB 那一側算出;論文的五條原句出自 out/recompute/paper_quotes.json(全文經 Europe PMC 取得,逐字比對過)。2026-09-15。

5 個型、11 個新型——跟論文寫的一個字不差。(這個 11 數的是「型」,跟上一節④那 7 列的 11 顆無關——剛好又是同一個數字。)而我們算這個數字的時候沒有看論文那句話,用的只有兩邊的編號。這就是「第二條路」該長的樣子(指令 8):不是換個 API 問同一個數,是用完全不同的證據把同一個結論再推一次。

那 7 列的答案

版本這件事站住了,7 列就有解釋了。同一節接著寫:

optic-lobe:v1.1 incorporates updates to the segmentation (mainly some merges of small, previously unconnected parts of reconstructed segments with these neurons); these changes collectively result in a small but detectable increase of reconstruction completeness

v1.1 把原本散落、沒接起來的片段併進了神經元,所以多出一些在 v1.0.1 裡根本還不成形的細胞。那 7 列就是這樣來的——它們在 v1.0.1 沒有編號,因為在 v1.0.1 裡還不是一顆完整的神經元。

三個對得上的旁證

一、7 列全部落在同一群。論文把細胞分成 VPN/VCN/ONIN/ONCN/other 五群,而這 7 列全部是 other——778 列裡對不到 v1.0.1 的也就只有這 7 列。other 是什麼?論文說是「中腦與視葉都有突觸、但既不算 VPN 也不算 VCN」的那幾型,也就是身體大半在重建範圍外的神經元——正是最需要「把零散片段接起來」才會成形的那一類。

二、三個 _TBD 是論文自己說的三個。

In three cases, we applied a placeholder name, adding ‘_TBD’, because we anticipate that future central brain data will provide a more appropriate designation.

三、那五個名字在 VFB 另一套資料集裡是完整的。AN09A005、AN27X013、三個 _TBD 在 VFB 都找得到,但只出現在 Berg2025/Berg2025a——Male CNS 全腦連結體,跟視葉這套出自同一份 EM 影像(VFB 的描述寫著 traced from part of the Male CNS EM volume)。AN 是 ascending neuron,從腹神經索上行的。在全 CNS 那一版裡它是完整的;在只切出視葉的這一版裡不是。

同一個版本差也解釋了第 3 節那個最大的差異。〈Versions of the dataset〉的同一段還寫著,v1.1 還「調整了一些個別細胞的分型,其中幾乎全是 R7 與 R8 光受器」:

adjusted the typing of some individual cells (nearly all of these are R7 and R8 photoreceptors

所以 R7p 那 +202 與 R8p 的 +199,是版本之間的重新分型。v1.0.1 歸在 pale 那一列的細胞,v1.1 把其中約兩百顆改判到別處——而論文的補充表是 v1.1 的,所以那一列只剩 95。這是這一頁上最大的一列差異,而它的解釋不在資料裡,在版本註記裡。
一句話收束整個第 4 節:那 25 列「對不上」,沒有一列是算錯,全部是「兩邊拿的不是同一版」。
改名、拆型、側別、以及那 7 列多出來的細胞,都寫在論文自己的〈Versions of the dataset〉裡。而這件事在 PART 4 第 4 節講過一次了——「同一套資料有不同版本」;這裡是它第一次真的咬人。
還沒解的縮到一句話:我們沒有 v1.1 的存取權,所以「④ 那 7 列的 11 顆就是那次合併產生的」是推論,不是查證。要坐實,得拿 v1.1 直接比對那 7 個編號。
論文那句話還有後半段我們驗不了:「2 個型被併成 1 個」。補充表的 bodyId 欄只給「圖裡用的那一顆」,所以我們做的是型層級的對照。被併掉的那一個型在 v1.1 沒有自己的列,也就沒有代表編號可查。這是方法的天花板,不是資料的問題——寫出來,免得下一個人以為驗過了。

5換一條路再問一次:一個沒解掉的矛盾

指令 8 的要求是:前面每一個關鍵數字都是同一條路算出來的,換一條路再算一次。同一個問題——「資料集 Nern2024 底下有幾顆神經元」——問三條路:

路問法回答
① 知識庫pdb.virtualflybrain.org 的 Cypher53,402 顆 類別 844 個
② RESTv3-cached.virtualflybrain.org/run_query 的 DatasetImages自己報 count=60,002,實際只翻回 50,000 列,被截斷
③ MCPvfb3-mcp.virtualflybrain.org 的 get_term_info53,402(與①一致)

三列出自 out/recompute/cross_check.json,由 recompute/cross_check.py 於 2026-09-15 產生(MCP 伺服器版本 1.11.2)。

②那個 50,000 就是 指令 3 預先警告過的坑——翻頁到某個位移之後它停下來,不報錯、只回空陣列。如果指令 3 沒寫那一句,這一輪會拿到一個看起來很正常的五萬筆清單,然後往下做。

但更要緊的是 60,002 跟 53,402 差了六千多。往下追,找到了機制:DatasetImages 是每一個「(個體, 類別)配對」給一列,而一顆神經元可以同時屬於好幾個類別。Dm15_R 就同時是 Dm15 與 adult glutamatergic neuron,所以它在結果裡出現兩次。

47,555
只屬於 1 個類別的神經元
5,357
屬於 2 個類別的
490
屬於 3 個類別的
59,739
配對總數=53,402+5,357+2×490

機制對了,數字還是差 263 —— 這一條沒解掉

知識庫算出來的配對數是 59,739,而 REST 報的是 60,002。還差 263 列,我們查不出來是什麼。

查過但排除掉的一個可能:同一顆神經元對到不只一個模板座標框(那樣也會多出列來)。實際查的結果是每一顆都只對到一個模板,所以(個體, 類別, 模板)三元組的數量跟配對數一樣是 59,739,不是差異的來源。

這一條就停在這裡,不編解釋。照 指令 7 最後那句話——「我寧可你說『這一類我查不出來』」——它現在是一筆明講的未解項,寫在 out/recompute/cross_check.json 的 note 欄裡。

四個配對數出自一次知識庫查詢(與 recompute/cross_check.py 同一支介面,2026-09-15);instanceof_pairs=59,739 與未解的 263 存在 out/recompute/cross_check.json。

指令 8 的價值在這裡整個顯現出來。如果只走①那一條路,這一頁會有一個乾淨的 53,402,而且它是對的——但我們不會知道站上還有一支介面對同一個問題回答 60,002,也不會知道它會在五萬列悄悄停下來。一個數字只問過一條路,你不會知道自己站在哪一邊。

6十條指令的逐條紀錄

上面是結論。這一節是過程——每一條實際跑起來的樣子,以及跑完之後我要怎麼改它。

指令實跑跑完之後要改的地方
1 拿到論文的靶成功,但第一個下載網址是死的要改。PMC 那條路回 HTTP 200、檔案只有 1.8 KB——是個空殼,不是錯誤。指令裡那句「說明你是從哪個網址拿到的」救了這一條,但不夠:應該再加一句「回報檔案大小,太小就停下來」
2 選資料集並記下版本成功不用改
3 取回全部並證明沒被截斷成功,而且警告確實命中不用改。這一條是十條裡回報最高的一句
4 定義什麼算一個型成功:844 個類別裡有 23 個是泛稱,末端類別 821 個不用改
5 選比對鍵成功,兩種鍵差 22 個百分點不用改。這一條的設計(逼它做兩種)是十條裡最划算的
6 逐列比對成功不用改
7 列出對不上的三類成功,但第 2 項「挑三筆去查」太少要改。B 類有 184 個名字,抽三個查完就下判斷,證據太薄。應該改成「按前綴分組,每一組抽一個」——那樣才看得出 184 個是不是同一回事
8 換第二條路冒出一個沒解掉的矛盾(第 5 節)不用改,但要補一句:「如果兩條路差很多,先確認兩邊數的是不是同一種東西」——這裡就是列數對個數
9 畫圖並說明成功。落在對角線上的是 732 點,跟指令 6 報的一致不用改。「點數要跟指令 6 對得上」這個檢查是有效的
10 整理成帶得走的東西成功。乾淨資料夾重跑,五個輸出檔逐位元組相同不用改

指令 4 的 844/23/821 出自 out/recompute/vfb.json;指令 9 的 732 出自 out/recompute/figure.json;指令 10 的重跑結果出自 out/recompute/run_meta.json。指令 1 那個 1.8 KB 的空殼是 scripts/paper_target.py 的註解裡記著的實測結果。2026-09-15。

十條裡有兩條要改,而兩條都是同一個毛病:檢查訂得不夠嚴。
指令 1 要它「說明網址」,但沒要它看一眼檔案有多大;指令 7 要它「挑三筆去查」,但沒說三筆要怎麼挑。這兩處都不是 AI 做錯,是我沒寫清楚。而這正是 PART 7 第 5 節那句話的實例——你漏寫的每一件事,它都會自己決定。

7帶得走的東西

照指令 10整理出來的,是三支程式加一份說明:

recompute.py主流程 618 行

取論文的靶、取 VFB 那一側、逐列比對。所有自己決定的參數集中在開頭的 PARAMS

make_figure.py產圖 91 行

畫第 3 節那張圖

cross_check.py旁證 175 行

同一個數字問三條路,把不一樣的地方攤開

行數出自 out/recompute/run_meta.json 的 files(2026-09-15 實測)。

從一個空資料夾重跑過了:解壓縮、刪掉 out/、只裝 openpyxl 與 matplotlib,主流程加產圖 63 秒、旁證 51 秒,7 個輸出檔跟原本的逐位元組相同(唯一不同的是記錄抓取時間的那兩個文字檔)。

下載這一包(含三支程式、說明、以及這一輪的全部輸出)

裡面的 JSON 就是這一頁每個數字的出處。頁面上寫的每一個數,都對得回 out/target.json、out/vfb.json、out/compare.json、out/cross_check.json 其中一支。不想跑程式也可以直接讀那幾個檔案。
還沒解的,列在這裡: 四條都寫在這裡,不寫進結論。

四條裡的每一個數字,前面都已經出過一次:60,002、59,739、263 出自 out/recompute/cross_check.json(第 5 節),18 與 184 出自 out/recompute/compare.json(第 4 節),R7p 那 200 顆的原始兩列在 第 3 節的表裡(297 − 95)。2026-09-15。

下一部分把這三支程式讀完。PART 9 不教 Python 語法——它問的是另一組問題:哪幾行是「自己決定的」、哪幾行換一個人寫會不一樣、以及如果這份程式是別人交給你的,你要先看哪裡。

← PART 7 要怎麼交代 AI Agent PART 9 讀懂它寫出來的程式 →
VFB 專題課程 PART 8 · 論文為 Nern et al., 2025, Nature 641(8065): 1225–1237(CC-BY) ·  VFB 資料集 Nern2024,數字於 2026-09-15 取得
回 BSC 專題課程首頁