docs/distillation.md

Anima 蒸留 — 実走で分かった知見

← README に戻る

TL;DR: 数万円予算で Anima を自前 SOTA 蒸留(DMD2+TSCD+R3GAN)するのは 現実的に困難。5 回失敗で累計 $165。実用解は merge_turbo_lora (公式 Anima Turbo LoRA との合成、$0.5、即動く)。自前で挑む人向けに、 何が起きるか・なぜ難しいかを以下に集約。

2026-05 以降の改善試行 (PCM / LADD / Reflow など既存実装の移植) は migration_log.md を参照。

---

1. 概要(結論先出し)

このリポジトリでは Anima(CircleStone Labs, Cosmos-Predict2 派生 2B DiT)を Decoupled DMD2 + TSCD + R3GAN で step 削減蒸留 することを目指した。 B200 GPU(Modal)で 5000 枚 self-distillation データセットを使い、計 5 回の失敗:

試行	構成	結果	コスト
Phase A	full DiT, R3GAN gamma=50	完全ノイズ(D 爆発)	$70
Phase B v1	Q,V LoRA, R3GAN OFF	緑色化(AdaLN 不触)	$10
Phase B v2	wide LoRA, R3GAN OFF	mean collapse	$10
Phase B v3a	wide LoRA, gamma=0.1	step 30 で D 爆発 abort	$5
Phase B v3b	wide LoRA, gamma=1.0	mean collapse + 後で D 爆発	$20

最終理解: R3GAN は「D 爆発」と「無信号 → mean collapse」の間に 安定 zone が 極めて狭く、Anima latent(16ch × 128²)で持続的な訓練は現状の構成では困難。 DMDR / Z-Image の公式実装が DINOv2 reward に依存 していることからも、 adv loss 単独の R3GAN だけでは Anima 系の蒸留は厳しい可能性が高い。

1.1 結局どうすればいいか

用途	推奨パス	コスト	結果
すぐ 8-12 step 推論したい	merge_turbo_lora(公式 Civitai Turbo LoRA を Anima base に重ねる)	$0.5	✅ 即動く、CFG=1 / 8-12 step
どうしても自前で蒸留したい	本ドキュメントの試行錯誤を踏まえ、DINOv2 reward 切替 等を追加実装	+$50-100 + 開発時間数日	△ 未検証
学習目的・記録目的	本ドキュメントを読む	$0	知見だけ

強い推奨: 商用要件がなければ merge_turbo_lora で十分。CircleStone Labs 自身が遥かに多い計算資源と試行錯誤の上で作った Turbo LoRA が既に Civitai にある(https://civitai.com/models/2560840)、これに勝つのは数万円では困難。

---

2. 結局成功した実用パス: merge_turbo_lora

# 1. Anima Turbo LoRA を Civitai からダウンロード
modal run modal_app.py::download_civitai_lora  # version_id=2877687 がデフォルト

# 2. (任意) 自前 Phase 1 LoRA とマージ(なくても可)
modal run modal_app.py::merge_turbo_lora

# 3. ComfyUI で base + LoRA(strength=1.0)を組み、8 step CFG=1 で生成

実装: modal_app.py::download_civitai_lora, merge_turbo_lora, stage_lora_to_models。 ComfyUI workflow は scripts/anima_workflow_turbo.json 参照。

実測の Turbo LoRA 出力品質: base 30 step CFG=4.5 と同等のキャラクター品質を 8 step CFG=1 で達成(検証画像は /dataset/compare/turbo_8step/ に保存)。

---

3. 自前 SOTA 蒸留(本リポジトリで実装、未完成)

scripts/distill/ に Decoupled DMD2 + TSCD + R3GAN を実装。コード自体は動く が、 ハイパーパラメータの調整で 5 回失敗。以下「我々が試した推奨設定」だが、これでも 2000 step で失敗 — これから挑む人は次節 §4 §5 を読んでから。

3.1 試した(が安定しなかった)設定

=== モデル / データ ===
base model:       Anima preview3-base (Cosmos-Predict2 派生)
text encoder:     Qwen3-0.6B + LLM Adapter (T5 空間ブリッジ)
VAE:              WanVAE (16-channel latent, scale=[mean, 1/std])
dataset:          self-distillation 5000 枚(base が 30 step CFG 4.5 で生成)
                  解像度 1024px 周辺の 7 種 aspect ratio をランダム

=== 学習 (LoRA-only) ===
trainable:        gen + guidance ともに LoRA、base は frozen
gen LoRA:         **wide** (all-linear except llm_adapter), rank=32
                  → AdaLN modulation を含む全 Linear に attach
guidance LoRA:    Q,V LoRA, rank=32 (DMDR 互換、軽量)
optimizer:        gen / guidance: AdamW lr=2e-5 β=(0.9, 0.999) wd=0.01
                  D: Adam lr=2e-4 β=(0, 0.99) (StyleGAN 流)
grad clip:        1.0

=== Loss 構成 ===
L_dmd:            DMDR gradient trick (p_real - p_fake) / norm
L_consist:        TSCD MSE vs EMA generator (decay=0.999)
L_adv (gen):      R3GAN relativistic RpGAN, weight=0.05
L_disc:           R3GAN softplus + γ/2 · (R1 + R2)
                  γ = 0.05〜0.5 (grid search 必須)

=== 更新比率 / スケジュール ===
guidance update:  5 回 / outer step
generator update: 1 回 / outer step  
discriminator:    1 回 / outer step
CFG Augmentation: real_score を cfg=2.0 で評価 (cold_start 100 step は cfg=0)
dynamic LoRA r:   real-side scale を cosine で 0 に decay (decay_steps=2000)

=== Phase 構成 ===
Phase B: base 直接 + wide LoRA, num_inference_steps=4, 2000 step
Phase C: Phase B から resume または base 直接, wide LoRA, num_steps=2, 2000 step
※ Full DiT 訓練 (Phase A) は不要 — LoRA-only で十分

=== Sanity / Guard ===
sanity test:      200 step + 中間生成 1 枚で degeneration 検出
abort guards:     d_r1 > 1000 / d_r2 > 1000 / loss > 1e6
checkpoint:       500 step 毎 + 都度 volume.commit()
PYTHONUNBUFFERED=1 + cwd=/workspace/diffusion-pipe

=== Modal infra ===
GPU:              B200 (192GB) — LoRA-only で余裕、batch=4
image:            CUDA 12.4 + Python 3.11 + diffusion-pipe + torchvision
volumes:          anima-models / anima-dataset / anima-outputs
secrets:          hf_token, civitai_api_key

=== ComfyUI 出力形式 ===
LoRA key:         diffusion_model.<module>.lora_A.weight / .lora_B.weight
                  (PEFT の base_model.model.<...>.lora_A.default.weight から変換)
基底 ckpt:        anima ckpt 系は net. prefix 必須 (ComfyUI が arch 検出に使う)

実装は scripts/distill/ + modal_app.py::train_sota_distill を参照。

⚠️ 重要: 上の設定で 2000 step training を 5 回試したが、いずれも失敗。 Anima latent では R3GAN の安定 zone が極めて狭く、長期持続が困難だった。 これから挑む人は §4(全失敗の詳細)+ §5(残された改善方向)を必ず読むこと。

3.2.1 なぜ LoRA-only(full DiT 訓練ではなく)

	full DiT(Phase A)	LoRA-only(Phase B/C)
trainable params	2B	30-150M
step 時間 (B200)	14 秒	2.8-3.0 秒(5x 速)
出力	4 GiB ckpt	30-150 MiB LoRA
配布性	他 FT と排他	他 LoRA とスタック可
optimizer state	8 GB	~200 MB
failure 局所化	base 全体破壊リスク	LoRA だけ

Anima のように既に高品質な base を蒸留する場合、LoRA-only がコスト・配布性・ 安全性のすべてで優位。Phase A 流の full DiT 訓練は不要だった。

3.2.2 なぜ「wide LoRA」(Q,V LoRA ではなく)

Anima/Cosmos の DiT は AdaLN modulation で timestep 情報を処理する架構:

block(x, t):
    t_embed = t_embedder(t)
    # AdaLN modulation = block_input をどう変調するかを timestep から決める
    scale, shift, gate = adaln_modulation(t_embed)  ← ここが timestep の入り口
    x = LayerNorm(x) * (1 + scale) + shift
    x = x + gate * attention(x, ...)

蒸留とは「timestep の解釈を変える」こと(少ない step でも denoise しきる)。 それには adaln_modulation の Linear を学習対象に含める必要がある。Q,V LoRA だと attention pattern だけ変えられて timestep 入り口を触れない → 学習が degenerate な「色 / スタイル shift」に逃げる(Phase B v1 の緑色化はこれ)。

公式 Anima Turbo LoRA も同じ理由で adaln_modulation を target(1016 keys、 我々の wide LoRA 980 keys とほぼ同等)。

3.2.3 なぜ R3GAN が必要(adv loss なしではダメ)

DMD2 単体は mean collapse に陥る(Phase B v2 で実証)。理由:

• DMD gradient (real_score - fake_score) は「real distribution の方向」を示す
• LoRA capacity が大きいほど、「real の mean を出力するのが最も安全」という解に収束しやすい
• TSCD(EMA self との consistency)は collapse を加速こそすれ防げない

R3GAN(または同等の adv / reward 信号)があると:

• D が「real は sharp、fake は blurry」と学習
• gen は「blurry な mean を出すと D に見抜かれる」と分かり、sharp な多様性を保つ
• これが mean collapse の唯一の防御策

実際、DMD2 / Hyper-SD / DMDR 系の全公式実装で adv loss(or reward loss)が必須。

3.2.4 なぜ R3GAN gamma の grid search が必須

R3GAN の R1+R2 gradient penalty 重み gamma は 入力空間のスケールに比例:

ドメイン	入力 channel	解像度	gamma
CIFAR-10	3	32x32	0.05
FFHQ-64	3	64x64	2
FFHQ-256	3	256x256	150
Anima latent	16	128x128	~0.05-1(grid search 必須)

Anima latent は per-sample 262k 要素で、典型 pixel 空間より gradient norm が 大きい → gamma は数値が小さくないと penalty が爆発。Phase A は gamma=50 で 500x 過大 にしたら discriminator が崩壊した(詳細は §4 Phase A 参照)。

3.2.5 なぜ guard rail(d_r1/r2 > 1000 で abort)

Phase A は loss は全部健全に推移(l_dmd 0.005, l_adv_g 0.69 で一定)しつつ 裏で discriminator gradient が爆発し、completed ckpt が完全ノイズ出力という ステルス失敗。後付けの分析で「step 1500 時点 d_r1 ~700 / step 2300 で 500k」と わかったため、しきい値 1000 で abort すれば即停止できる。

しきい値 1000 の根拠: 正常上限 ~100 の 10x、致命傷 500k の 1/500 で、確実に ステルス damage が始まる前に止まる。

3.2.6 なぜ Decoupled DMD2 + TSCD(LCM / Hyper-SD ではなく)

手法	性質	我々の選択理由
LCM	consistency 単体、シンプル	low-step 品質に限界
Hyper-SD	TSCD + adv、segment-wise progressive	gamma calibration 必要、参照実装 SDXL only
DMD2 / DMDR	分布マッチング + adv、Anima のような flow matching DiT に最適	Z-Image(Cosmos 派生)で実証済、適応容易

DMD2 系は flow matching ベース(Anima の rectified flow と同じ) で、math 変換不要なのが決定打。TSCD は Hyper-SD から借りた多 step 一貫性で、純粋 DMD2 の単 step 偏りを補正。

3.2.7 なぜ 5000 枚 self-distillation データセット

データソース	コスト	利点	欠点
Anima 自己生成	$44 (10 B200 並列 40min)	base の出力分布に最適化 / ライセンス問題なし	base の癖をそのまま継承
Danbooru / Pixiv	$0 + キュレーション時間	多様性	ライセンス・タグ品質ばらつき
公開データセット(LAION 等)	$0 + DL コスト	多様性最大	アニメ系少ない

蒸留の本質は「base と同じ出力を低 step で」なので、self-distillation で 分布を base に一致させるのが理論的に正しい(distillation の定義)。

3.2.8 なぜ B200(H100 / A100 ではなく)

GPU	Modal $/h	LoRA-only step 時間	192GB VRAM の意味
A100-80GB	$2.50	7-9 秒	OOM 危険、batch=1
H100-80GB	$3.95	4-6 秒	OOM 危険、batch=1-2
B200	$6.25	2.8-3.0 秒	3 model 同時 + batch=4-8 余裕

B200 の per-hour 単価は高いが、3 model(real/fake/gen)同時+batch 増で 実質的な per-experiment コストは最安。R3GAN を入れても OOM 不安なし。

---

4. 実際の失敗(全 5 件、詳細)

#	試行	構成	結果	累計
1	Phase A	full DiT + Q,V LoRA, R3GAN γ=50, 3000 step	完全ノイズ(D 爆発)	$70
2	Phase B v1	Q,V LoRA, R3GAN OFF, 2000 step	緑色化(AdaLN 不触)	$80
3	Phase B v2	wide LoRA, R3GAN OFF, 2000 step	mean collapse(灰緑平面)	$90
4	Phase B v3a	wide LoRA, R3GAN γ=0.1, 2000 step	step 30 で d_r1=1648 → abort	$95
5	Phase B v3b	wide LoRA, R3GAN γ=1.0, 2000 step	早期 mean collapse → 後半 D 爆発	$115

各失敗が 異なる failure mode で起きた点が重要。「1 つ直しても他で詰まる」 直交性が、SOTA 蒸留を Anima 系で安定させる難しさの本質。

4.1 Phase A の詳細 postmortem(5 層因果分析)

ステルス失敗: 訓練ログ上は全 loss 健全(l_dmd 0.003-0.008, l_adv_g 0.69 一定) だったのに、完走 ckpt が完全ノイズ出力。原因は 5 層の連鎖:

Layer 1 — gamma calibration ミス(根本)

• Anima latent(16ch × 128x128)に対し gamma=50 は 50-500 倍過大
• Agent リサーチが「latent norm 用 grid search 必須」と明示警告していたが、 手抜きで推測値を採用したのが発端

Layer 2 — R3GAN gradient が gen に流入(見えない damage)

l_adv_g = softplus(-(d_fake - d_real)) ≈ log 2 = 0.6914  ← 中立点

l_adv_g が一定で「adv 信号効いてない」と誤読。しかし gradient norm は別物:

∂L_adv_g/∂gen_output = (sigmoid 微分 ~0.5) · ∂(D の全層 Jacobian)

D 重みが gamma penalty 最小化で異常拡大 → D の Jacobian 爆発 → gen に流れる gradient が正常時の 数百〜数千倍。adv_weight=0.05 で抑えても scale 負け。

教訓: adv_loss の絶対値だけ見て安全と判断するな。gradient norm を別途モニタ。

Layer 3 — D 自体の破滅スパイラル

最初:    l_disc = 0.69 + 25·0       = 0.69
膨張後:  l_disc = 0.69 + 25·600,000 = 15,000,000

gamma が大きすぎて R1+R2 penalty 項が adv 項を支配 → D は adv 学習する余地なく、 ひたすら penalty 最小化に動く → ある瞬間 scale 崩れて d_r1/r2 が指数的に膨張。

Layer 4 — Sanity test の見落とし

• 50 step では destabilization が緩やかすぎて d_r1/r2 が正常範囲
• 本番 step 500-1000 から急速悪化
• 後から見れば step 1000 で d_r1/r2 が 100 超え始めていた($50 救えた)

教訓: Sanity は 200-500 step に延長。緩慢な発散も検出可能に。

Layer 5 — 監視/アラート不足

• d_r1/r2 はログ出していたが しきい値アラート未実装
• NaN/Inf check はあったが「大きすぎる値」検出なし
• gen の weight L2 norm を時系列で見れば damage 早期検出可能だった
• 中間 ckpt 毎の自動生成テストも未実装

修正後の guard rail(実装済):

# scripts/distill/dmd2_trainer.py
if d_r1 > 1000.0 or d_r2 > 1000.0:
    raise RuntimeError(f"R3GAN penalty exploded (r1={d_r1:.1f}, r2={d_r2:.1f}). "
                       f"Reduce r3gan_gamma. Aborting.")

Phase A から学んだ悪設計のチェックリスト

問題	影響
gamma を grid search せず推測	50-500 倍ズレ
adv_weight=0.05 で「安全装置」になると誤解	gradient norm は別軸、効かなかった
sanity 50 step だけで本番投入	緩慢な発散見逃し
d_r1/r2 にアラートしない	早期 abort 機会逸失
中間 ckpt で部分検証しなかった	完走してから初めて発覚($70 ロス)

4.2 Phase B v1 — Q,V LoRA だと AdaLN を触れない

R3GAN を外して安全側に振った構成。loss は 0.02-0.03 で安定したが、生成すると 緑色化した anime キャラ。LoRA strength を 1.0 → 0.3 に下げると base に戻る (= LoRA は「均一に緑方向に押している」)。

原因: Q,V LoRA は cross-attention / self-attention の query / value だけを変更。 timestep modulation の入り口である AdaLN modulation Linear を触れない。 DiT が「少ない step でちゃんと denoise する」ために必要な timestep 解釈の変更が できず、勾配が attention の color / style shift に逃げて degenerate に収束。

→ 解決: LoRA target を 「AdaLN + attention + MLP の全 Linear」(wide LoRA) に拡張。 公式 Anima Turbo LoRA も同じ範囲を target にしている(検証で 1016 keys 確認)。

4.3 Phase B v2 — wide LoRA + R3GAN OFF で mean collapse

wide LoRA(980 keys)に拡張したら、今度は 完全に灰緑色の平面を出力。loss は v1 より遥かに小さく(l_dmd 0.001-0.007)、訓練ログ上は最も健全に見える 失敗。LoRA strength を変えても改善せず。

原因: DMD2 単体は「real distribution の方向」を示すだけ。LoRA capacity が大きい ほど 「data distribution の mean を出力すれば DMD gradient はゼロになる」 という degenerate な解に収束しやすい。R3GAN なしでは「sharp なものを出せ」と gen に教える信号がないので、訓練が進むほど mean に潰れていく。

→ 解決: R3GAN(または同等の reward / classifier loss)を必ず投入。DMD2 系の 全公式実装(NVIDIA DMD2, Z-Image DMDR, Hyper-SD)で adv 系 loss が必須なのは このため。

4.4 Phase B v3a — gamma=0.1 で D が即爆発

grid search の 100-200 step では gamma=0.1 が安定に見えていた:

[step 60/100] d_r1=0.020  d_r2=0.015  l_disc=0.017  ← 健全

しかし本番(2000 step)で開始 30 step 以内に爆発:

[step 10/2000] d_r1=67.5   d_r2=74.8   l_disc=7.1   ← 既に異常
[step 30/2000] d_r1=1648.0 d_r2=1821.6 ← guard 発火 abort

原因推測:

• 短時間 grid search は ランダム初期化の運で偶然安定 zone に居ただけ
• 本番の異なる初期化 + 長時間 → 不安定境界を越えた
• gamma=0.1 は Anima latent では 安定境界の崖際

4.5 Phase B v3b — gamma=1.0 で長期 mean collapse + 最終 D 爆発

gamma=1.0 で training は確かに 1500 step まで全 metric 健全:

[step 1000/2000] l_dmd=0.001 l_consist=0.005 d_r1=0.005 l_disc=0.004  ← 全部小さい

しかし step 500/1000/1500 の中間 ckpt で生成テストすると全部 mean collapse:

• step 500: 白い平面
• step 1000: 白い平面
• step 1500: 青+白の blob

しかも step 1380 から D が「目覚め」始め、step ~1600 で d_r1=2656 で abort:

[step 1380/2000] d_adv=3.73  d_r1=0.36   d_r2=0.22  ← D が動き始める
[step 1510/2000] d_adv=0.00  d_r1=0.67   d_r2=0.45  ← じわじわ拡大
[step ~1600]    d_r1=2656.0  d_r2=3043.2 ← abort

核心の理解:

• gamma=1.0 は D が 静か → 突然動く → 爆発 のパターン
• 静かな間(d_r1 ~ 0.005)は D が adv 信号を gen に渡せず、gen は mean に collapse
• D が動き始めた頃には gen は既に degenerate state
• ckpt が「健全に見える」のは loss だけ。実態は破綻

これが 「R3GAN の安定 zone が存在しない」 という最終診断の根拠。

4.6 失敗パターンの直交性

	Phase A	B v1	B v2	B v3a	B v3b
failure mode	gradient damage(ノイズ)	degenerate(緑)	mean collapse	D 爆発 abort	D 静止 → mean collapse → D 爆発
根本原因	R3GAN γ 過大	LoRA target 狭	adv なし	γ 小すぎて D 暴走	γ 大すぎて D が adv 信号出さず
検出	step 1000+ d_r1	生成テスト即	生成テスト即	step 30 で guard	中間 ckpt 生成テスト
対策	γ grid search + guard	wide LoRA	R3GAN を入れる	γ 上げる	γ 下げる(でも v3a に戻る)

5 つの failure mode は互いに直交かつ循環(γ 下げると v3a、上げると v3b)。 Anima latent で R3GAN を安定させる γ は、存在するとしても極めて狭く、 我々の grid 解像度では発見できなかった。

4.7 周辺で踏んだ Modal / diffusion-pipe / ComfyUI 罠

蒸留の本体とは別に、インフラ側で踏んだバグ:

diffusion-pipe を programmatic に使う際の 8 件

罠	症状	対処
models/, utils/ が namespace package(__init__.py なし)	site-packages 側の utils に shadow されて from utils.common import 失敗	importlib.util.spec_from_file_location で強制ロード(scripts/distill/anima_loader.py)
CosmosPredict2Pipeline(cfg) の dtype が torch.dtype 必須	tensor() argument 'dtype' must be torch.dtype, not str	cfg["model"]["dtype"] = torch.bfloat16(文字列禁止)
load_text_encoder() / load_vae() メソッドが 存在しない	AttributeError	load_diffusion_model() だけ呼ぶ、残りは __init__ で完了
MiniTrainDIT.forward は padding_mask 必須(None 不可)	transforms.functional.resize(None, ...) TypeError	torch.zeros(B, 1, H, W) を渡す
VAE input が bfloat16 必須	Input type (float) and bias type (BFloat16) should be the same	vae_encode 内で auto-cast
DiT 入力 (noisy, t, cond) の dtype 統一必須	expected mat1 and mat2 same dtype	dit_forward helper で全部 weight dtype に揃える
torchvision import するが requirements に無い	ModuleNotFoundError	image に明示インストール
save の filter で integer buffer を落とすと壊れる	ロード後ノイズ	float 限定 filter は廃止、全 tensor 保存

ComfyUI LoRA 形式

Anima/Cosmos 用 LoRA は lora_A.weight / lora_B.weight(NOT lora_down/up)、 diffusion_model. prefix 必須。PEFT 出力からの変換は modal_app.py::_convert_peft_to_comfy_lora。 SDXL 流 lora_down/up に変換すると ComfyUI が key 認識できずランダム scaling で 適用 → 出力が緑化(これも Phase B v1 のもう 1 つの寄与因子だった可能性)。

Modal 運用

罠	対処
modal run --detach の local CLI が早く戻る	完了確認は modal app list / modal app logs <id>
print() の block buffering で logs 滞留	PYTHONUNBUFFERED=1 を env に追加
Volume commit は subprocess 終了時のみ	訓練ループ内で modal.Volume.from_name(...).commit() を定期発行
modal volume cp は cross-volume 不可	両 volume mount した Modal function で shutil.copy
run_in_background=true + TaskStop で app が "detached_disconnected" に残る	必ず --detach を一緒に付ける(明示 detach)
Anima ckpt は net. prefix 前提で ComfyUI が arch 検出	保存時に {"net." + k: v for k, v in sd.items()}

4.8 コスト・時間の実測値

タスク	時間	コスト
dataset 生成(B200 × 10 並列)	40 分	$44
Path A baseline 確認(Turbo LoRA DL + 10 枚生成)	5 分	~$1
Phase A: full DiT 訓練(失敗)	11.6 h	~$70(全損)
Phase B v1: Q,V LoRA(失敗)	1.6 h	~$10
Phase B v2: wide LoRA, R3GAN OFF(失敗)	1.6 h	~$10
Phase B v3a: wide LoRA, γ=0.1(早期 abort)	~5 分	~$5
Phase B v3b: wide LoRA, γ=1.0(失敗)	4 h	~$20
R3GAN gamma grid search	30 分	~$3
比較生成 30 枚 + その他		~$2
Modal volume(50 GB × 月)	常時	~$7.5/月
累計		~$165 ≈ 25,000円

R3GAN ON で 1 step 約 +20-30%(D forward + R1/R2 backward 追加分)。

---

5. 続き

§4 の 5 回失敗を受け、「自前で書き下す」を諦めて 既存の動く実装を最小改造で 移植した試行が 2026-05 から始まる。各手法 (Z-Image traj / LADD / Reflow / DMD2 / SiD2 / Shortcut / PCM / DRaFT+) の移植ログ・コスト・結果は migration_log.md を参照。