infer.py에 --task wan-i2v-robocasa (_main_wan_i2v_robocasa) + scripts/run_robocasa_i2v_infer.sh. 기존엔 robocasa I2V A14B 추론 경로가 전무했음.--robocasa_demo_split {val,train} — unseen(일반화) vs seen(재현/overfit 진단)을 같은 스크립트 한 플래그로 분리 평가.H=224, W=768, F=81) → 추론 = 학습 분포.robocasa Wan 2.2 I2V A14B (2x2 grid, native first-frame, dual-expert MoE)는 학습·실험까지 완료됐으나 추론 전용 경로가 없었다.
infer.py --task wan-i2v는 옛 EgoX exo→ego width-concat 파이프라인(WanWidthConcatImageToVideoPipeline)으로 이번 학습 모델과 무관. robocasa 추론은 T2V frame-0-clamp 경로만 존재, i2v용 launcher도 없음. 또한 학습 중 validation은 split_json val_demos(unseen)만 봐서 모델이 본 데이터(seen)를 얼마나 재현하는지(overfit/underfit) 확인 불가.독립 추론 스크립트만 추가(학습 루프 무손상) — 사용자 결정. _main_wan_t2v_robocasa를 1:1 미러링, 파이프라인만 교체.
height=train_height(224), width=train_width(768), num_frames=81로 동일 공유 헬퍼/pipe를 호출 → infer가 같은 인자를 쓰면 학습 분포와 정확히 일치. validation half-resolution 트레이드오프는 기존과 동일하게 유지(범위 밖).| 검증 항목 | 방법 | 결과 |
|---|---|---|
| infer.py 구문 | python -m py_compile | OK |
| launcher 구문 | bash -n + chmod +x | OK |
| argparse 통합 | egoxv2 env 실행 | task 인식 / parser.error 정상 / 신규 플래그 노출 |
| 모듈 import | torch / core.* top import | OK (egoxv2) |
| 전제 산출물 | ckpt / split JSON | 존재 — 즉시 실행 가능 |
| 실제 디퓨전 생성 | 81f×50step×A14B | 미실행 (GPU 비용, 사용자 위임) |
checkpoint-6600에 pytorch_lora_weights.safetensors(838,937,952 B) + pytorch_lora_weights_transformer_2.safetensors(838,930,240 B) 둘 다 존재 → dual-expert LoRA 로드 코드 경로와 정확히 일치. RGB-only checkpoint-38600, robocasa_split.json(1,462,686 B)도 확인.학습 완료된 I2V A14B 체크포인트를 학습과 동일 분포로 오프라인 추론 가능해짐. DEMO_SPLIT 토글 하나로 unseen(일반화) vs seen(재현/overfit 진단)을 분리 평가 — 학습 루프 비용 0, trainer 무손상. T2V/I2V 추론이 동일 출력 스키마라 기존 PT 시각화·평가 파이프라인을 그대로 재사용한다.
DEMO_SPLIT=train / val 각 1–2 샘플, NUM_INFERENCE_STEPS=10 로그인 timeout 5400 스모크로 mp4 생성·GT/Pred 정렬 눈검증. 본격 다수 샘플은 sbm(1 GPU).
validation half-resolution(H_lat 224 기반) 트레이드오프는 그대로 — 별도 plan 우선순위 낮음. seen vs unseen PSNR/PT-거리 정량 비교는 아직 스크립트화 안 됨(현재 mp4 정성 비교 + raw .pt 저장까지).