add level-drop (25% uniform-over-levels)

code/PHASE2_NOTES.md

@@ -44,3 +44,14 @@ Phase-2는 이 지점부터 **원래 warmup 스케줄을 그대로 이어감**:
 2. Phase-2 이어가기: 최신 `phase2_stepN/`(HF)을 로컬에 두고 `configs/tokenizer_l_spatial_phase2.yaml`의
    `init_from`을 그 경로로, `PHASE2_RESUME_STEP=N`으로 `train_spatial_l_phase2.sh` 실행.
 3. Phase-2 처음부터: `init_from=step380000` + `PHASE2_RESUME_STEP=380000` (현재 설정).
+
+## Level drop 추가 (2026-07-16, step390000부터)
+우리 multi-res 방식의 핵심인 **level drop(nested)** 를 Phase-2에 추가 (step390000에서 resume).
+- **방식**: whole-level, coarse-first. keep_levels ~ uniform(1,4) → {1x1},{1x1,2x2},{1x1,2x2,4x4},{all} 각 **25%**.
+  → 레벨별 유지확률 1x1=100%, 2x2=75%, 4x4=50%, 8x8=25%.
+- **왜 25%(레벨균등)**: 토큰비율(uniform-over-token) 방식은 8x8이 64/85라 coarse-only가 거의 학습 안 됨.
+  레벨균등은 모든 granularity를 고르게 학습 → 각 레벨이 독립적으로 쓸모있음 (multi-res reasoning 목적).
+- **드롭 순서**: 8x8(finest, DiT 이미지토큰과 1:1)부터 드롭, 1x1(global)은 항상 유지.
+  전부 드롭(uncond)은 CFG(uncond_drop_prob)가 따로 담당.
+- **구현**: `LevelNestedSampler` (spatial_diffuse_slot.py), config `enable_nest: True`.
+- inference: `inference_with_n_slots`(토큰 budget)를 whole-level prefix로 매핑 (85→all, 21→8x8 drop, 5→[2x2,1x1], 1→[1x1]).