用途：对预训练生成式扩散模型进行定量与定性分析，评估输出质量、诊断失败模式，并为微调决策提供依据。
主要能力：
- 定量评估：用 torchmetrics 计算 FID、Inception Score、CLIP 分数及精确率/召回率，需真实参考数据集与生成样本。
- 噪声调度检查：提取 betas、alphas_cumprod，绘制累积信号保留、log-SNR 与 beta 曲线，并比较 linear、cosine 等调度。
- 注意力图分析：在 U-Net 的 attn2 交叉注意力层注册 hook，按 token 与时间步可视化文本-区域对应关系。
- 潜空间探测：用 VAE 编码图像，进行 slerp 插值、语义方向发现与 OOD 检测。
使用方式：需提供预训练模型标识或检查点路径、分析模式（metrics/schedule/attention/latent）、参考数据集；可选文本提示、生成样本数（默认 10000）、设备配置。按步骤运行对应代码，输出指标与图像。
适用场景：评估模型输出质量、比较噪声调度、理解文本到图像对齐、探索潜空间结构、检测分布外输入。
限制与注意：FID 需至少 10000 样本且真实与生成图像分辨率、归一化一致；torchmetrics 的 normalize 参数需与输入范围匹配；交叉注意力应使用 attn2 而非 attn1；高维潜空间插值应使用 slerp；需应用 VAE scaling_factor；精确率/召回率建议每类至少 5000 样本。具体收费、平台支持等信息暂未提供。