생성된 리듬 게임 차트는 하나의 공식 노트 시퀀스를 재현할 필요는 없습니다. 동일한 노래와 난이도에 여러 노트 선택지가 맞을 수 있기 때문입니다. 따라서 참조 노트 일치도는 전체 디자인 문제를 측정하는 것이 아니라 재구성을 측정합니다. 우리는 자동적이고 오염 테스트가 적용된 핵심 평가 프레임워크인 ChartGenEval을 소개합니다. 이 프레임워크는 노트 선택은 열어두되 타이밍은 노래에 고정합니다. 매칭된 공식 차트는 작성된 타이밍 맵만을 제공할 뿐, 목표 노트를 절대 제공하지 않습니다. 우리는 익숙한 통계가 차트 품질을 측정한다고 가정하기보다, 용량 제어 실패(dose-controlled failures)를 통해 각 핵심 출력을 테스트합니다. 80개의 홀드아웃 노래 그룹에 걸쳐, 일곱 개의 출력 축이 아홉 개의 비중복적 테스트에서 사전에 명시된 민감도 및 불변성 기준을 만족합니다. 40곡 개발 패널에 대한 보완적인 스트레스 테스트는 두 가지 더 광범위한 교훈을 노출했습니다. 차트 전체의 위상 추정치는 주입된 15ms, 30ms, 60ms의 변화를 복구하는 반면, 차트 전용 출력은 본질적으로 변하지 않았습니다. 공통 패턴 재작성은 평균 언어 모델 퍼플렉시티(perplexity)를 37% 낮추고, 루프 붕괴는 평균 자기 유사성(self-similarity)을 62% 높였습니다. 따라서 ChartGenEval은 하나의 대리 점수나 총점 대신 별도의 역할별 신호를 보고합니다. 이 프로파일은 생성기들을 비교하고 반복하는 데 자동적인 피드백을 제공하며, 선택된 출력물들은 작업별 스트레스 테스트 후 후보 최적화 목표 또는 제약 조건이 됩니다.