# ARTGEN - Beweis dass KI hohe sprachliche Kunst erzeugen kann

**Benchmark**: Spiegelkabinett (Käptn Peng)
**Ziel**: Framework + Paper das demonstriert, dass ein LLM bei ~50% stilistischer/thematischer Deckung zum Original *generiert* - nicht *abruft*.

---

## Beweisstruktur

| Komponente | Definition |
|-----------|-----------|
| **Generator** | MiniMax M2.5/M2.7 |
| **Judge** | TBD (Claude, GPT-4, oder beide als Cross-Validation) |
| **Metrik** | 6-Dimensionen-Score (0-10 je), Durchschnitt Ziel ≥ 5.0 |
| **Anti-Plagiat** | Embedding-Similarity < 0.3 zum Original |
| **Generationen** | 50+ |
| **Kontrollgruppe** | Generierung ohne Style-Constraints (Baseline) |
| **Output** | Paper/Framework (kein ausführbarer Code) |

---

## Die 6 Bewertungs-Dimensionen

1. **Thematische Tiefe** (0-10) - Erreicht das generierte Werk vergleichbare philosophische Tiefe?
2. **Surrealismus-Dichte** (0-10) - Verhältnis surrealer Bilder zu Literalität
3. **Strukturelle Kohärenz** (0-10) - Baut sich der Text architektonisch auf (3-Akt-Struktur etc.)?
4. **Linguistische Dichte** (0-10) - Wortwahl, Neuschöpfungen, bildhafte Sprache
5. **Emotionaler Impact** (0-10) - Erzeugt es vergleichbare Resonanz?
6. **Originalität** (0-10) - Ist es generiert (nicht abgerufen)?

---

## Beweislogik

```
Wenn:  Methodengeneration ≥ 5.0 Durchschnitt
  UND: Null-Prompt-Baseline < 3.0 Durchschnitt
  UND: Embedding-Similarity zum Original < 0.3
DANN:  KI kann hohe sprachliche Kunst generieren (nicht recallen)
```

---

## Phase 1: Benchmark-Definition (Style Fingerprint)

Das Original muss messbar gemacht werden. Ohne Messbarkeit kein Beweis.

| Schritt | Was | Output |
|---------|-----|--------|
| 1.1 | Formanalyse von Spiegelkabinett | Metrum, Reimschema, Strophenstruktur, Zeilenlänge |
| 1.2 | Imagery-Density-Mapping | Metaphern pro Zeile, Bildwelten, Surrealismus-Grad |
| 1.3 | Thematische Architektur | 3-Akt-Struktur (Erwachen → Übergeben → Transzendenz) |
| 1.4 | Linguistische Merkmale | Wortneuschöpfungen, Binnenreime, Registerwechsel |
| 1.5 | Style Fingerprint Dokument | JSON/YAML das alle messbaren Properties kodiert |

"50% Deckung" braucht Dimensionen. Nicht: "klingt ähnlich" sondern: "70% der Metaphern-Kategorien, 50% der surrealen Dichte, 40% der Reimstruktur, 60% der thematischen Architektur".

---

## Phase 2: Methodik - Generative Style Transfer

Der Kern: Wie zwingt man ein LLM zur *Generierung* statt zum *Recall*?

**Problem**: Ein direkter Prompt ("Schreibe wie Käptn Peng") triggert Recall. Ein zu vager Prompt ("Schreibe surreal") produziert mittelmäßige Kunst.

**Lösung**: Decomposition-basierte Prompt-Architektur (4 Schichten)

| Schicht | Funktion | Anti-Recall-Mechanismus |
|---------|----------|------------------------|
| **Constraint-Layer** | Strukturelle Vorgaben (Strophenlänge, Reimtyp, Zeilenlänge) | Zwingt zur Generierung, keine Referenz zum Original |
| **Thematic-Layer** | Abstrakte Themes (Identitätsfragmentierung, Spiegel-Metapher, Transzendenz) | Universelle Konzepte, keine Song-spezifischen Marker |
| **Style-Seed-Layer** | Prosa-Beschreibung des Tons, keine Originaltext-Fragmente | Vermeidet Token-Matches im Training-Data |
| **Negative Constraints** | Was NICHT gemacht werden soll (kein Refrain, keine Zeilenwiederholung, keine Rezitation) | Blockiert Recall-Pfade |

Jeder Prompt besteht aus diesen 4 Schichten. Die Constraints sind *charakteristisch genug* um im Stilraum des Originals zu landen, aber *abstrakt genug* um Recall zu vermeiden.

---

## Phase 3: Evaluation Pipeline (LLM-as-Judge)

**Target**: ~50% stilistische/thematische Deckung bei 0% textlicher Deckung (kein Plagiat).

**Judge-Architektur**:

```
Dimension              Gewichtung    Metrik
──────────────────────────────────────────────────
Thematische Tiefe         25%        Vergleichbare philosophische Tiefe?
Surrealismus-Dichte       20%        Verhältnis surrealer Bilder zu Literalität
Strukturelle Kohärenz     15%        Baut sich der Text wie das Original auf?
Linguistische Dichte      20%        Wortwahl, Neuschöpfungen, bildhafte Sprache
Emotionaler Impact        10%        Vergleichbare Resonanz?
Originalität              10%        Generiert, nicht abgerufen?
```

**Anti-Plagiat-Check**: Embedding-Similarity zum Original muss < 0.3 (kein Recall), aber Style-Similarity muss > 0.5 (hohe Deckung im Stilraum).

**Judge-Modell**: Muss ein anderes Modell sein als der Generator (nicht circular). Optionen: Claude, GPT-4, beide als Cross-Validation.

---

## Phase 4: Paper/Framework

1. **These**: KI kann hohe sprachliche Kunst generieren
2. **Methodik**: Decomposition-basierte Prompt-Architektur + Anti-Recall-Constraints
3. **Beweis**: ~50% Stil-Deckung bei < 0.3 Embedding-Similarity zum Original
4. **Kontrolle**: Null-Prompt (keine Style-Constraints) → zeigt dass ohne Methodik nur ~10-20% Deckung erreicht wird
5. **Diskussion**: Was bedeutet das für den Begriff von "Kreativität"?

---

## Kontrollgruppen-Design

| Gruppe | Prompt-Typ | Erwartetes Ergebnis |
|--------|-----------|---------------------|
| **A (Baseline)** | Null-Prompt: "Schreibe einen deutschen Song" | Niedrige Stil-Deckung, kein Bezug zum Original |
| **B (Direct Recall)** | "Schreibe den Song Spiegelkabinett" | Hohe Embedding-Similarity (Recall, nicht Generation) |
| **C (Method)** | Decomposition-basiert, 4-Schicht-Prompt | ~50% Stil-Deckung, < 0.3 Embedding-Similarity |

Gruppe B dient als Negativ-Check: Wenn die Embedding-Similarity > 0.7 ist, ist es Recall, nicht Generation.

---

## Offene Punkte

- [ ] Judge-Modell festlegen (Claude? GPT-4? Beide?)
- [ ] Phase 1 starten: Style Fingerprint von Spiegelkabinett erstellen
- [ ] Embedding-Modell für Anti-Plagiat-Check wählen (Sentence-BERT? OpenAI embeddings?)
- [ ] 50+ Prompt-Varianten für Gruppe C erstellen
- [ ] Evaluation-Rubrik für LLM-as-Judge detaillieren