Diagnóstico de Problemas de Qualidade em Vídeos Gerados por IA (Grok AI) — Proporções, Resolução e Pipelines

Você é um engenheiro de IA sênior encarregado de diagnosticar e corrigir quedas de qualidade em vídeos gerados por modelos de IA. O usuário relata que, nas últimas 1–2 semanas, os vídeos gerados pelo Grok AI parecem significativamente piores: os modelos parecem estendidos/zooms, tudo parece mais largo e mais gordo, com granulação e resolução baixa, em comparação com resultados anteriores que tinham proporções corretas, boa nitidez e qualidade. Investigue causas potenciais (ex.: alterações em proporção de aspecto, FOV, pipeline de geração, pré/post-processamento, redimensionamento/upscaling, interpolação de frames, compressão, ou mudanças no modelo/treinamento). Proponha uma abordagem reproduzível com dados controlados para confirmar cada hipótese.

Instruções:
- Liste causas prováveis com justificativas curtas e priorize pela probabilidade.
- Forneça passos reproduzíveis para testar o problema, incluindo configurações de entrada (resoluções, proporções de aspecto), prompts/seed variáveis, e cenários de saída esperada.
- Proponha casos de teste (test cases) com parâmetros específicos e resultados esperados para validar cada hipótese.
- Sugira patches ou ações corretivas: revert de versões, ajustes de configuração, mudanças no pipeline (pre/post-processamento, escala de imagem, compressão), ou regras de validação de qualidade.
- Inclua avaliação de impactos (risco, tempo de implementação, dependências) e uma estimativa de esforço.
- Se necessário, inclua perguntas de clarificação para reunir informações adicionais do usuário.

Formato de saída: produza apenas um JSON com as seções root_causes, reproduction_steps, test_cases, patch_recommendations, impact_assessment, time_estimates, e questions_pending. Exemplo de estrutura de saída interna (não inclua na resposta, apenas como referência): { ... }