我是一个独立开发者，我注意到我的实际工作流程是：生成艺术，粘贴截图到ChatGPT，并问“哪一个更好？”“这个是否适合我的游戏？”“它是否与其他部分一致？”我把它作为艺术总监使用，每次粘贴一个截图。因此，我自动化了这个循环，结果有些发现让我惊讶，所以我分享了工作流程。

循环如下：

- 生成一批候选人
- 一个廉价的模型进行初步筛选并对整个批次进行排名
- 最好的图像与当前的冠军进行对决（两张图像在同一背景下），只有在清晰胜利时才会取代
- 强大的模型进行最后确认：交付/迭代/拒绝，带有得分和具体修复清单
- 提示从修复清单重写，循环重复，直到“交付”的图像在第二次无视意见中幸存

调节出乎意料地是关键部分。评判者从真空中得分：每个评判都带有相同的固定集合已发布的艺术作为参考，带有明确的说明每个艺术作品在等级中的位置（最弱8.0，平均8.3，最佳8.7）。没有固定在框架中的东西，模型会重新标准化为它上次看过的东西。

令人惊讶的事情是：

- 绝对得分在不同评判之间漂移；
- 双向对决不带有两张图像的得分
- 拒绝“略微更好”的胜利会阻止一个流程从侧面进入一个没有人选择的风格
- 判官在“哪一个更好”方面表现出色，但在“这个alpha是否干净”，就完全无用，于是将这些检查移动到决定性的代码外
- 一次性批量质量信号仅需要2个模型调用（筛选+确认）

结果截至目前：一款移动商店屏幕在第4批次时以8.4/10的得分交付，并被切割成26张单独命名的透明PNG图像；一条一词的简短说明（“不同情绪”）变成了10个一致的角色图像。

如何在大规模生产中处理质量控制？当一组资产超过几十个时，什么样的风格会漂移？

全方位披露：我正在将这个工具打造成一个工具——它被称为Artkiln（artkiln.dev）。本文中提到的两个项目都在一个只读的演示中，可以看到每次运行的完整记录，包括失败的批次，无需注册：https://demo.artkiln.dev/demo/the-devils-club - 如果您有任何关于评判设置的疑问，我都乐意回答。