将机器创造力依据对齐于游戏设计知识表示：结构约束下LLM可执行合成Goal Playable Patterns的实证探查

创造性地将复杂玩法想法转化为可执行产物（如作为Unity项目和代码的游戏）仍是计算游戏创造力的核心挑战。玩法设计模式为描述玩法现象提供了结构化表示，使设计者能够将高层想法分解为实体、约束和规则驱动的动态。其中，goal模式将常见的玩家-目标关系形式化。Goal Playable Concepts（GPC）将这些抽象操作化为可玩的Unity引擎实现，支持体验式探索和组合式玩法设计。我们将可扩展的可玩模式实现框定为一个受约束的可执行创造性合成问题：生成的产物必须满足Unity的语法和架构要求，同时保留goal模式中编码的语义玩法含义。这种双重约束限制了可扩展性。因此，我们研究当代大型语言模型（LLM）能否在引擎级结构约束下执行此类合成，生成由goal可玩模式结构化并条件化的Unity代码（作为游戏）。使用26个goal模式实例化，我们比较了直接生成基线（自然语言到C#再到Unity）与以人工编写的Unity专用中间表示（IR）为条件的流水线，涵盖三种IR配置和两个开源模型（DeepSeek-Coder-V2-Lite-Instruct和Qwen2.5-Coder-7B-Instruct）。编译成功通过自动化Unity重放评估。我们提出接地与卫生两种失败模式，识别出结构接地和项目级接地为主要瓶颈。