PR-CAD: Progressive Refinement for Unified Controllable and Faithful Text-to-CAD Generation with Large Language Models

Título: PR-CAD: Refinamiento Progresivo para la Generación de CAD Texto-a-CAD Unificada, Controlable y Fiel con Grandes Modelos de Lenguaje

1. El Problema

El diseño asistido por computadora (CAD) tradicional es un proceso intensivo en mano de obra que requiere una experiencia especializada y un dominio de interfaces complejas. Aunque los recientes avances en Grandes Modelos de Lenguaje (LLM) han permitido la generación de modelos CAD a partir de texto, existen limitaciones críticas en los enfoques actuales:

• Desconexión entre generación y edición: Los métodos existentes tratan la creación inicial y la edición posterior como tareas disjuntas. En la práctica, el diseño es un proceso iterativo donde los usuarios refinan modelos mediante múltiples ediciones (añadir, modificar, eliminar). Los sistemas actuales carecen de un marco unificado para este ciclo.
• Dependencia de prompts técnicos: Muchos métodos requieren descripciones de texto extremadamente detalladas y técnicas, lo que es poco natural para usuarios no expertos.
• Datos de entrenamiento limitados: Los conjuntos de datos de edición existentes a menudo se basan en ediciones aleatorias y simplificadas, careciendo de la complejidad, la intención humana y la diversidad (cualitativa y cuantitativa) de las interacciones reales de diseño.
• Falta de fidelidad y control: Es difícil lograr que los modelos generados coincidan fielmente con la intención del usuario, especialmente cuando se requieren ajustes precisos (cuantitativos) o conceptuales (cualitativos).

2. Metodología

El authors proponen PR-CAD, un marco de refinamiento progresivo que unifica la generación y la edición en un solo agente inteligente. La metodología se basa en tres pilares principales:

• A. Creación de un Dataset de Interacción de Alta Fidelidad:

  • Se curó un conjunto de datos que abarca todo el ciclo de vida del CAD, incluyendo representaciones múltiples (DSL, Texto Estructurado, Lenguaje de Propósito General) y descripciones tanto cualitativas (ej. "haz la base más gruesa") como cuantitativas (ej. "reduce el radio en 6mm").
  • Para la generación: Se utilizan modelos de visión grandes (VLM) para generar descripciones a partir de múltiples vistas de modelos CAD, combinadas con descripciones JSON.
  • Para la edición: Se simulan acciones humanas mediante la eliminación sistemática de operaciones (S-E) de modelos existentes para crear pares de "antes y después". Luego, se generan instrucciones de edición basadas en estas diferencias, creando datos de entrenamiento que imitan el flujo de trabajo humano real.

• B. Marco de Razonamiento Mejorado con Aprendizaje por Refuerzo (RL):

  • Se utiliza un modelo base (Qwen2.5-7B-Instruct) sometido a un proceso de post-entrenamiento en dos etapas:
    1. Ajuste Fino Supervisado (SFT) con Cadenas de Pensamiento Estructuradas (SCoT): Se guía al modelo para que razone en pasos lógicos: comprensión de la intención, análisis de modelado, cálculo de parámetros e identificación de la posición de la edición. Esto se realiza utilizando un formato de texto estructurado para mejorar la interpretabilidad.
    2. Aprendizaje por Refuerzo (RL) con GRPO: Se optimiza el modelo utilizando una función de recompensa compuesta por cuatro componentes:
       • Recompensa de Distancia de Chamfer ($R_{chamfer}$): Mide la similitud geométrica con el modelo real (recompensa densa).
       • Recompensa de Formato ($R_{format}$): Penaliza salidas que no siguen la sintaxis correcta.
       • Recompensa de Ejecutabilidad ($R_{exec}$): Penaliza secuencias de código que no se ejecutan.
       • Recompensa de Longitud ($R_{length}$): Penaliza soluciones innecesariamente largas para fomentar la eficiencia.

• C. Representación Unificada:

  • El sistema utiliza un lenguaje específico de dominio (DSL, como LogoUp 3D) para la generación y texto estructurado para la edición, permitiendo que el agente maneje tanto la creación desde cero como la modificación iterativa.

3. Contribuciones Clave

1. Marco Unificado PR-CAD: Un agente único capaz de realizar generación y edición iterativa de CAD, eliminando la necesidad de cambiar entre herramientas o modelos para diferentes tareas.
2. Dataset de Interacción de Alta Fidelidad: Un nuevo conjunto de datos que cubre todo el ciclo de vida del CAD, con operaciones de edición diversas y descripciones mixtas (cualitativas/cuantitativas), superando las limitaciones de los datos aleatorios anteriores.
3. Método de Razonamiento Híbrido (SFT + SCoT + RL): Una estrategia de entrenamiento que combina el ajuste fino supervisado con cadenas de pensamiento estructuradas y optimización por refuerzo, logrando una alta fidelidad geométrica y alineación con la intención del usuario.
4. ChatCAD: Una implementación práctica que permite el modelado de CAD a través de diálogos multi-turno, demostrando la capacidad del sistema para refinar diseños paso a paso.

4. Resultados

Los experimentos se realizaron en benchmarks públicos y evaluaciones humanas, comparando PR-CAD con modelos de vanguardia (GPT-4o, Text2CAD, FLEXCAD, CAD-Editor):

• Rendimiento Cuantitativo:
  • Generación: PR-CAD logró la menor tasa de invalidación (IR: 0.62) y la menor distancia de Chamfer (CD: 5.87), superando significativamente a GPT-4o y Text2CAD.
  • Edición: En tareas de edición, PR-CAD superó a CAD-Editor y FLEXCAD, con un IR de 0.91 y un CD de 6.30.
  • Evaluación VLM: Obtuvo la puntuación más alta en VLM-Eval (77.83), indicando una mejor preservación de la intención del usuario.
• Evaluación Humana:
  • Tasa de éxito: Los expertos alcanzaron un 100% de éxito y los novicios un 81.25% con el enfoque de refinamiento progresivo (multi-turno), en comparación con tasas mucho más bajas en la generación de un solo turno.
  • Usabilidad: La Escala de Usabilidad del Sistema (SUS) fue muy alta (93.125 para expertos y 80.625 para novicios), demostrando que el sistema es intuitivo y reduce la barrera de entrada para usuarios no expertos.
• Estudios de Ablación: Se demostró que eliminar cualquiera de los componentes (SFT, RL o SCoT) degrada significativamente el rendimiento, confirmando que la combinación de estas técnicas es esencial para la precisión geométrica y la lógica.

5. Significado e Impacto

PR-CAD representa un avance significativo en la democratización del diseño CAD. Al unificar la generación y la edición en un flujo de trabajo iterativo controlado por lenguaje natural, el sistema:

• Reduce la barrera de entrada: Permite a usuarios no expertos crear y modificar modelos complejos sin necesidad de dominar interfaces de software técnicas.
• Mejora la eficiencia: Transforma el proceso de diseño en una conversación natural, acelerando la iteración y el refinamiento.
• Establece un nuevo estándar: Demuestra que es posible lograr una alta fidelidad geométrica y control preciso mediante LLMs, superando las limitaciones de los enfoques anteriores que requerían prompts excesivamente técnicos.
• Futuro: Abre la puerta a sistemas de diseño asistido por IA más colaborativos y accesibles, donde la interacción humana y la generación automática se complementan fluidamente.