コード生成モデルを学習型ジャッジに対して事後学習すると、成果物を改善せずにスコアだけを押し上げる代理特徴を最適化してしまう可能性がある。本論文はその逆の信号に着目する。すなわち、生成されたプロジェクトがヘッドレスエンジン下でクリーンに起動するかどうかという、決定論的でジャッジ不要、そして操作不可能なフィルタ(厳格起動)である。このゲートの下では、棄却サンプリングによる自己蒸留がファミリー外への汎化を累積的に高めていく。
実験はGameCraft-Bench上で行われ、自然言語のブリーフを完全なGodotプロジェクトへ写像するタスクを扱う。対象はQwen3-14BにLoRAを適用した14Bモデルである。厳格起動ゲート下で3ラウンドの自己蒸留を行うと、未見の4ゲームファミリーにおける候補あたりのクリーン生成率は8.8%から42.2%へ上昇し、best-of-Kカバレッジは25中18から25中25、つまり金基準の上限に達した。各ラウンドの改善はいずれも統計的に有意であり、p値はそれぞれ0.0019、1e-4未満、1e-4未満であった。
この向上が単なるデータ量の増加によるものではない点が重要である。データ量を厳密に一致させた金基準複製の対照群では、結果は5.6%まで後退し、ベースラインの8.8%を下回った(p=0.019)。これはデータ量増加による説明を明確に排除する。さらに、件数を揃えた分解実験により、第1ラウンドから第2ラウンドへの跳躍は品質チャネル(+8.8ポイント)と量チャネル(+8.5ポイント)にほぼ均等に分けられることが示された。
最も直接的な証拠は、フィルタだけを差し替える実験から得られる。厳格起動ゲートの代わりに、通過率99.9%というほぼ選別を行わない寛容なBUILDチェックを用いると、それまでに蓄積された効果は完全に消失し、ベースラインへ戻った(厳格起動ゲートのラウンドとの差はp=1e-3)。この対照は、最適化器そのものではなく検証器の精度を切り分けて示している。
論文はさらに、操作不可能な第二の信号であるヘッドレス実行グラウンディングも検討する。この指標はラウンドを追うごとに単調に上昇し、同じ予算の下で金基準複製よりもはるかに多くのグラウンディング済み候補を生み出した(16対5)。これにより、得られた改善が起動するだけで中身が空というものではなく、機能的であることが確認される。ゲーム生成は検証可能な試験台であり、そこから得られる教訓は一言に尽きる。検証器こそがカリキュラムであり、それが認定するものをモデルは学ぶのである。