验证器即课程：执行门控自蒸馏如何让AI游戏生成突破家族壁垒
引言：当“作弊”式优化失效，AI需要什么样的验证器？
在代码生成领域，一个常见的做法是用学习型评判器（learned judge）对模型进行后训练，以提升生成代码的质量。然而，这种优化往往导致模型学会“取巧”——它可能优化那些能提高评分、却未必真正改善代码功能的代理特征（proxy features）。换句话说，模型学会了“刷分”，而不是真正“做事”。
来自arXiv的最新研究《The Verifier is the Curriculum: Execution-Gated Self-Distillation for Cross-Family Game Generation》提出了一种截然不同的思路：使用一个确定性、无需评判器、无法作弊的过滤器——即检查生成的游戏项目能否在无头引擎下顺利启动（strict-launch）。这种“执行门控”信号，结合拒绝采样自蒸馏（rejection-sampling self-distillation），能够显著提升模型在未见游戏家族上的泛化能力。
核心方法：执行门控自蒸馏
研究团队构建了 GameCraft-Bench，一个将自然语言需求描述映射为完整Godot游戏项目的基准测试。他们使用 Qwen3-14B + LoRA 作为基础模型，通过以下流程进行迭代：
- 生成候选项目：模型根据自然语言描述生成Godot项目。
- 执行门控过滤：只有那些在无头引擎下能够“干净启动”的项目（即通过strict-launch检查）才被保留。
- 自蒸馏：将过滤后的成功项目作为新训练数据，微调模型，然后重复该过程。
经过三轮迭代，模型在四个未见过的游戏家族上的干净生成率从 8.8% 跃升至 42.2%（按每个候选项目计），而最佳K覆盖（best-of-K coverage）从 18/25 提升至 25/25，达到了黄金天花板。统计检验显示，每一轮的提升都是显著的（p值分别为0.0019, <1e-4, <1e-4）。
关键发现：验证器的精度才是核心
为了证明提升并非来自数据量的简单增加，研究团队进行了几组对比实验：
- 黄金重复控制：使用与成功项目数量完全匹配的、由人类验证过的“黄金”项目进行训练，结果模型性能反而下降到 5.6%（低于基线的8.8%），说明单纯增加正确数据并非关键。
- 分解分析：将第1轮到第2轮的提升分解为质量通道（+8.8个百分点）和数量通道（+8.5个百分点），两者贡献相当。
- 过滤器替换实验：将strict-launch过滤器替换为宽松的 BUILD检查（能通过99.9%的生成项目），结果所有增益完全消失（性能回到基线），从而证明增益完全来自于验证器的精度，而非优化过程本身。
此外，另一个无法作弊的信号——无头执行落地性（headless execution grounding）——在多个轮次中单调上升，并且在相同预算下，执行门控蒸馏产生的可落地候选项目数量（16个）远超黄金重复方法（5个），说明模型学到的功能是实实在在的，而非“能启动但内容空洞”。
启示：验证器即课程
这项研究的核心洞见是：验证器即课程——模型学会的正是验证器所认证的东西。如果验证器只能检测表面特征（如能否编译），模型就会只优化这些表面特征；而如果验证器检测的是实际运行能力（如能否启动并执行），模型就会真正提升功能质量。
对于AI代码生成领域，这一发现具有深远意义：与其依赖可能被“刷分”的神经评判器，不如设计更精确、更“硬核”的执行验证信号。游戏生成因其可验证性，成为了这一理念的理想试验场。未来，类似的“执行门控”方法或许可推广到其他代码生成任务，甚至更广泛的AI生成内容领域。