Add causal person fusion and MuVAP stage-3 baselines

literature_notes/02_egospeak.md

@@ -25,3 +25,10 @@ step（25.6 秒）、stride 4、2048D embedding、1024D hidden 和 10 个 future
 匿名人物轨迹之间共享，并用零门控残差修正 matched pooled Omni head。官方实现仍应作为
 单独的 sequence-GRU 强基线；逐人 track continuity 是否有效，需要 broken-ID/no-ID 控制
 而不能由架构名称推断。
+
+为控制逐人时序 stem 的实现差异，项目另提供
+`causal-person-adapter-egospeak-gru`。它仅采用 MiniROADA 的
+`Linear-LayerNorm-ReLU-Dropout-GRU-ReLU` 层序，仍处理逐人视觉 track，并保留 V2 的
+G+A query、人物集合注意力、动态 gate 和 pooled residual base。因此实验中必须称为
+**EgoSpeak-style per-track GRU**，不能称为 EgoSpeak/MiniROADA 复现。真正的官方
+sequence-GRU baseline 仍需单独实现全局 5 Hz 序列和 anticipation decoder。

literature_notes/33_muvap.md

@@ -2,8 +2,8 @@
 
 - 作者：Haotian Qi、Gabriel Skantze
 - 状态：2026 预印本；作者仓库标注 Interspeech 2026，本轮未找到正式 ISCA 条目
-- 阅读深度：重点方法、训练、事件评测及局限章节；未运行
-- 核查日期：2026-08-28
+- 阅读深度：重点方法、训练、事件评测及局限章节；VAP/ASD 源码已审计，Stage 3 未公开
+- 核查日期：2026-09-10
 - 来源：[论文](https://arxiv.org/html/2606.16731)、[官方仓库](https://github.com/Haotian-Qi/MuVAP)
 
 ## 摘要与项目关系
@@ -18,4 +18,8 @@ MuVAP 不是对多人脸做普通平均。它先用 CPC 与 causal Transformer
 
 不能把“单声道＋逐人视觉＋因果接话”作为独有贡献。我们的区别需要落在不可见 wearer、讲话对象及受召回约束的误开口上，而不是只换编码器。
 
-作者承认角色识别存在延迟；验证主要为第三人称双人/三人英语场景。其数据准备使用 RetinaFace/SCRFD 检测、ArcFace 特征、匈牙利匹配，并从每段完整视频随机抽取 50 帧建立全局身份锚点。这适合构建稳定标注，但会使用未来/全片信息，不能作为本项目部署时的严格在线 tracking。论文模型本身宣称 causal，不代表这套数据身份初始化也是可在线运行的。仓库当前只有 README/LICENSE，写明 code coming soon；不要称已有可直接运行的复现。
+作者承认角色识别存在延迟；验证主要为第三人称双人/三人英语场景。其数据准备使用 RetinaFace/SCRFD 检测、ArcFace 特征、匈牙利匹配，并从每段完整视频随机抽取 50 帧建立全局身份锚点。这适合构建稳定标注，但会使用未来/全片信息，不能作为本项目部署时的严格在线 tracking。论文模型本身宣称 causal，不代表这套数据身份初始化也是可在线运行的。
+
+作者仓库现已公开 VAP 和 ASD 的训练代码、CPC/Mimi 前端及对应发布权重；完整 MuVAP
+multiparty Stage 3 仍标注为 `to follow`，没有训练入口。因此项目中的 Stage-3 baseline
+必须称为按论文描述做的 clean-room reconstruction，不能称为官方复现。