这一页把同主题实验收在一起展示。排序仍然按秒级时间戳倒序，星标和筛选逻辑与首页一致。
针对 box-like 样本里最难的第二个 part，系统比较 5 组 crop/context 配置。目标不是泛泛看图，而是用 first-pass success、mesh/target IoU 和 effective canvas scale 去找出真正能把困难小 part 拉起来的输入策略。
专门拿最棘手的 box-like 样本做条件清洗实验。我们把原本重叠严重的 3D boxes 用 split_midpoint 规则拆开，再走同一条正式 TRELLIS2 per-part 生成链，检查 overlap risk、retry burden 和最终装配会不会一起改善。
把正式 soft_anisotropic per-part pipeline 扩展到三类代表性样本，并用联合判据评估：mean mesh/target bbox IoU、condition overlap risk、decode stability。这个页面更接近我们真正要盯的东西：哪些结果是几何贴框成功，哪些只是被重叠 bbox 或恢复重试掩盖了问题。
将 soft_anisotropic 拟合从审计脚本合入正式 per-part TRELLIS2 pipeline 后的真实推理验证。默认公式为 u=mean(log(e_b/e_s))+(log(e_b/e_s)-mean(log(e_b/e_s)))/(1+lambda)，lambda=0.25；该页面展示 2 个 parts 的正式输出、fit_info 和诊断可视化。
复用已有 TRELLIS2 raw part mesh，不重新推理，专门比较 isotropic bbox fitting 与 anisotropic bbox fitting。数学判据是 mean mesh/target bbox IoU 的提升量 Delta_IoU，用来判断当前装配误差有多少来自比例拟合而不是生成本身。
针对 OmniPart bbox 出现父子嵌套或强重叠时的装配穿插问题，新增 AABB carve 后处理：若一个 child bbox 基本落在 parent bbox 内，就从 parent mesh 中删除落入 child bbox 的面片。这个实验展示机械样本和盒状家具样本的 carve 前后诊断。
针对上一轮人形样本出现的头部缺失与下半身长条污染，检查 TRELLIS2 官方预处理后发现 alpha>0.8*255 会定义主体裁剪区域。因此将 dim_context 的非目标上下文 alpha 降到 96，让上下文只作为弱语义提示，而不被当作主体几何生成。
在修正 crop 策略后，挑选机械/武器形、花卉细结构、盒状家具三类样本做 per-part TRELLIS2 扩展测试。每个样本先跑 2 个主要 parts，验证 dim_context 输入、flash-attn 后端、bbox fitting 和轻量化 GLB 预览是否稳定。
正式验证新的主线：先用 OmniPart 给出 part 级 3D bbox 与 2D 区域，再对每个 part 单独送入 TRELLIS2 生成几何并按 bbox 装配。关键发现是，小零件若被裁成纯透明孤立图，TRELLIS2 容易出现 empty sparse coords；保留局部上下文后，同一样本的两个主要 parts 都稳定生成成功。