Состояние и планы

Что работает (проверено)

Пайплайн целиком: текст → латент → пиксели, обучение и сэмплинг. Baseline-метрики в каждом логе: mse_lat (общий, low t<0.3, high t>0.7), mse_pix, switch, tail(z0), skip.
Бабочки, 20 000 шагов (butterflies_256x64, 970 train / 30 eval, 97 мс/шаг):

шаги	hf (доля от AE 0.859)	mse_lat	low	high	switch
4 000	0.446 (52%)	0.21	0.031	0.42	0.43
10 000	0.436 (51%)	0.164	0.024	0.322	0.68
20 000	0.540 (63%)	0.107	0.022	0.187	0.78

Глазами: узнаваемая бабочка с жилками и рисунком, два сида дают две разные особи. tail(z0) 24.7 дБ (потолок AE на 256² — 0.859 по hf), skip = 0.

Потолок AE не мешает: на 256² AE сохраняет 0.859 из 0.913 высоких частот GT.

Плато на бабочках не найдено. hf 0.436 → 0.540 за 10k шагов, лоссы падают; 30k шагов покажут, где насыщение.
Люди не обучены на этой архитектуре. Готов билдер src/make_dataset_people.py (5749 фото в ~/dataset/allphoto_train, классы woman/man/cat, бакеты кратны 64). Это главный тест: там капшены длинные и детальными, то есть деталь определена условием.
512² не запускался на пирамиде. Нужен набор с бакетами кратны 64 (512×384, 512×256, 384×512, 512×512) — make_dataset.py --long-side 512 --multiple 64. Ожидание: чешуйки/лица физически разрешимы (бабочка 400 px вместо 200).
high = 0.187 — «выбор особи» на высоком шуме. Падает с обучением (0.42 → 0.19), поэтому причина — недообучение, а не только бедность капшена.

Латент AE — f8 (64×64 при 512²). Всё мельче 8×8 px додумывает декодер, а не тело.
Бакеты обязаны быть кратны 64 по каждой стороне (три даунсэмпла). При других размерах даунсэмпл нецелый.
Сравнение с прежними архитектурами корректно только на одинаковых наборах и шагах: старые чекпойнты в новую архитектуру не переносятся (уровни и ширины другие).

Дожать бабочек до плато (30k) — 16 минут на 10k шагов.
Перейти на людей (5749) при 256²: 30k шагов ≈ 50 минут.
512² на людях — после того, как на 256² будут лица/руки.
Ёмкость (ширина боттлнека 1536 → 2048, больше блоков L0) — только если данные и разрешение уже не дают прироста.