Naukowcy demonstrują, że use przypadek post-treningu generatorów kodu przeciwko nauczonym arbitrom prowadzi do optymalizacji pseudo-metryk zamiast faktycznej jakości artefaktów. Ich rozwiązanie opiera się na czymś znacznie prostszym - determinującym, niewzruszoby filtrze: czy wygenerowany projekt rzeczywiście uruchamia się bez błędów w headless engine Godota. To kryterium Called strict-launch staje się siłą napędzającą samodzielną destylację poprzez rejection-sampling.
Wyniki na GameCraft-Bench, gdzie zadaniem jest mapowanie naturalnego opisu na kompletny projekt Godot, są imponujące. Model Qwen3-14B dostroiony za pomocą LoRA osiągnął wzrost czystej generacji dla czterech nowych rodzin gier z zaledwie 8,8 procent do 42,2 procent per-kandydata w trzech iteracjach. Coverage best-of-K wyniosło 25 z 25 - osiągnięcie maksymalnie możliwego ceiling. Każdy skok był statystycznie istotny.
Kluczowe jest to, że zniesienia pochodzą nie ze zwykłego dodawania więcej danych treningowych - kontrola z duplikowaniem złotego standardu faktycznie pogorszyła się (5,6 procent vs 8,8 procent, p=0.019). Zaś wymiana strict-launch gate na lenient BUILD check, który akceptuje 99,9 procent generacji, całkowicie eliminowała zyski. To izoluje rolę veryfikatora i pokazuje, że niespokojna precyzja filtra, a nie sama optymalizacja, napędza poprawę generalizacji cross-family.