Add causal person fusion and MuVAP stage-3 baselines

docs/progressive_feature_fusion_route_2026-09-02.md

@@ -231,6 +231,29 @@ ten-horizon mean mAP 配对增量仅为 `+0.01306 +/- 0.02368` 个百分点，
 residual 最后输出层零初始化，并在 dev 上记录 delta-logit、概率变化和非零梯度；详见
 [`结果记录`](../results/easycom_track_gru_residual_4ep_2026-09-07/README.md)。
 
+修正版已实现为 `causal-person-adapter-v2`，但尚无 GPU 结果。它仍从 matched pooled
+`G+A+V` checkpoint 精确初始化并默认冻结 base；每条当前 track 经共享因果 GRU 后由 G+A
+query 读取，再与直接 local audio 构成局部 state。模型使用逐样本向量 gate，并仅把最终
+residual-logit projection 的 weight/bias 置零。这样初始 logits 与 pooled baseline
+逐元素相同，第一次更新 residual output，后续更新才可进入 GRU、attention 和动态 gate。
+运行契约与命令见
+[`easycom_causal_person_adapter_v2.md`](easycom_causal_person_adapter_v2.md)。它保留 pooled V，
+因此若结果通过，还必须补一个移除 pooled V 的 replacement ablation，才能决定最终方法。
+
+为减少“GRU 具体写法”这一实验变量，另实现
+`causal-person-adapter-egospeak-gru`：保留 V2 的所有下游融合与优化设计，只把逐人输入改成
+EgoSpeak MiniROADA 风格的 `Linear-LN-ReLU-Dropout-GRU-ReLU`。这不是 EgoSpeak 的全局
+5 Hz RGB+audio GRU 复现，而是人物 track 上的受控 temporal-stem 消融；运行说明见
+[`easycom_egospeak_style_person_gru.md`](easycom_egospeak_style_person_gru.md)。
+
+为直接检验“低频 Qwen crop 是否遗漏唇音动态”，另实现独立的
+`highrate-person-av-attention` 分支。它不把同一张 2 FPS 人脸重复送进 GRU：MuVAP CPC 在
+25 Hz 上只编码一次 mixed audio 得到共享 `U`，每条人脸轨迹另产生 causal visual state 和
+一个 AV speaking score，只在每个 5 Hz 右边界保存。随后由 `G+U` query 做集合注意力，并
+用零初始化 residual 修正已经训练且冻结的 matched `G+U` logits。它首先回答传统高频
+audio/person 证据能否弥补全局 Omni，而不是检验 identity continuity。实现和命令见
+[`easycom_highrate_person_av.md`](easycom_highrate_person_av.md)。
+
 ## 8. F4：Person-conditioned audio/Omni history
 
 F4 让每个匿名人物分别读取已有的 5 Hz 因果历史：