Сегментатор: текст kinozal из raw JSON, кодек-строки не как негатив; e2e по 400 страниц

Обучение:
* page_text/kinozal_text: текст kinozal = h1 + «Техданные» + «Релиз» из
  data/raw/kinozal/*.json (в pages/kz-*.txt нет заголовка и «Техданных»,
  откуда половина меток kinozal; сервис видит обе вкладки).
* label_page: позитив — raw или audio_raw; неразмеченная кодек-строка
  русской дорожки («Аудио 3: … Русский (MVO, X)», «Аудио Rus: … | X»)
  получает -1 и в обучение не идёт: как негатив она учила отбрасывать
  кодек-строки. Сводка «Аудио: Русский, английский (…)» остаётся негативом.

Инференс (release):
* model_segments -> (основные, кодек); выбранные моделью кодек-строки идут
  второстепенным источником вместе с правилом codec_segments; иноязычные
  («Казахский (Dub, …)», «English Dubbing», «Original») отбрасываются.
* merge_extra_tracks(adopt_type): кодек-дорожка с типом «неизвестно»
  получает тип единственной дорожки страницы без студии.

e2e_segmenter: тот же текст kinozal, не больше E2E_MAX (400) страниц на
трекер, train-страницы только с --train-pages (меню парсит только тест).

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

docs/architecture.md

@@ -73,13 +73,23 @@ BIO-разметка строится по символьным спанам ч
 используются, если `models/segmenter` нет или модель не нашла ни одной строки;
 режим можно форсировать: `predict_release(..., segmenter="rules")`.
 
-* Обучение: `python -m src.segmenter --train` (~1 мин). Разметка строк — по
-  `raw` из `labels.csv` (362 страницы в `data/pages`); синтетика: `raw` всех
-  train-строк (в т.ч. nnm/kinozal без страниц) вставляются в контекст реальных
-  строк страниц. Страницы делятся по хешу `release_id` (≈20% в тест).
-* Метрики: строки (test) P 0.936 / R 0.994; e2e на непросмотренных страницах
-  rutracker (n=64) — precision 0.904 → 0.946 против правил, recall 0.975 → 0.975
-  (`tests/e2e_segmenter.py`; выборка мала, разброс большой).
+* Обучение: `python -m src.segmenter --train --out models/segmenter_v2` (или меню
+  `tools/collect.py` → «2»). Разметка строк — по `raw` и `audio_raw` из `labels.csv`
+  (страницы `data/pages`); синтетика: `raw` всех train-строк вставляются в контекст
+  реальных строк страниц. Страницы делятся по хешу `release_id` (≈20% в тест).
+* Текст kinozal берётся из `data/raw/kinozal/<id>.json` (`h1` + «Техданные» +
+  «Релиз», `segmenter.page_text`): в `data/pages/kz-*.txt` нет ни заголовка, ни
+  «Техданных», откуда взята половина меток kinozal, а сервис (`fetch_html`)
+  видит обе вкладки.
+* Кодек-строка русской дорожки («Аудио 3: AC3 … Русский (MVO, LostFilm)»,
+  «Аудио Rus: … | LostFilm»), не попавшая в разметку, в обучение не идёт
+  (метка -1): у rutracker `raw` — строка «Перевод N:», и как негатив она учила
+  модель отбрасывать кодек-строки — а на kinozal студии только в них.
+* В `predict_release` выбранные моделью кодек-строки — второстепенный источник
+  (`source: codec`): подключаются, только если у какой-то дорожки страницы нет
+  студии; если других строк нет (nnm), они и есть дорожки.
+* e2e: `tests/e2e_segmenter.py [каталог]` — пары (тип, студия) на тестовых
+  страницах, не больше `E2E_MAX` (400) на трекер; `--train-pages` — ещё и train.
 * Нарезка ВНУТРИ строки («Дублированный, многоголосый») в данных не размечена
   (91 группа из 6735) — остаётся на правилах `_split_entries`, но только на
   строках, выбранных моделью.