我想分享我工作的角度：而不是要求一个AI来驱动一个编辑器，给它一个编译器——并且以一种它无法作弊的方式来测量它。

rigc（MIT，npm i -g spine-rigc) 将两个小的JSON规范——一个骨骼规范和一个运动规范——编译成一个Spine 4.3骨架，通过一个spine-core的回路验证以及~35个机器断言。想法是：让编译器来处理AIs不擅长的事情（格式细节，坐标约定，图集打包）；用测量来评估它们的表现，而不是眼球。

我认为真正有创新的部分是 基准协议：

  • 代理获得一个写好的简要说明和渲染的PNG帧——从来没有骨架答案。
  • 禁止阅读列表：参考导出，转录，之前运行的测量。读取一个并且运行被标记为“未评分”。
  • check 渲染候选者并且与帧进行比较：MAE（平均绝对误差）在参考的绘制像素上（所以绘制大透明精灵无法缩小分母），每个骨骼链的误差归因，帧动量差异。
  • 分数差异在 一次，在结束时。它的测量来自答案，所以在中途运行并且编辑后被标记为“基准辅助”——一个不同的类别，不能与干净的运行进行比较。
  • 每个运行都被提交到其完整循环日志，并且一个Web查看器播放任何运行旁边的参考帧。

到目前为止的结果（所有在仓库中，包括日志）：

  • Claude Opus清除了简单的跑道。对一个完整的角色（spineboy）它完美地作者了 结构——18/18骨头，名不见实的树相似度1.000——但 运动可靠性 死锁：最差骨骼链漂移~14.6 px 对于一个0.7–3.3 px条带。经过三次尝试每次使用真实杠杆，我冻结了这个跑道作为一个评分门槛，而不是继续重跑。
  • 上周我使用一个故意弱的模型（Gemini Flash）在一个试点中进行了测试。它在3小时无人值守中完成了一个干净的评分运行：结构与Opus名不见实的相同，运动约为其一半——并且每个失败都是从仪表板可读的，而不需要信任模型的自我报告。裁判的判决书也被提交了。
  • 观看弱模型的挣扎产生了 docs/PROMPTING.md — 六个实际上很重要的提示子句（搜索循环的进度输出，稀疏键而不是每帧的键，……）。

它还无法做到：网格/物理/IK编译和验证，但没有基准运行证明了一个AI可以 作者 它们。多个关节角色上的运动可靠性是开放的问题。

仓库：https://github.com/firejune/rigc

我真诚地希望这个社区的意见——特别是这种诚实协议是否在对抗性阅读下保持有效，以及您将衡量什么我没有衡量。