Zwischen Step 3 272 500 und ~3 340 000 ist das Training divergiert (Loss-Spikes bis 2.37 bei konstanter LR 9.9e-5, kein Decay). Festes Validierungsprotokoll (253 Trainings-Proben, ungewichteter Velocity-MSE, quellenbalanciert, EMA):
| Checkpoint | primär | t ≥ 0.75 | Caption-Vorteil t=0.95 |
| 2 360 000 | 1.5573 | 1.636 | +0.0247 |
| 3 240 000 | 1.5555 | 1.635 | +0.0265 |
| 3 320 000 | 1.8704 | 2.103 | +0.0030 |
| 3 410 000 | 1.6047 | 1.705 | +0.0122 |