🤖 AI

Foundation Models for Automatic CAD Generation

本文介绍了 LLMForge，这是一个用于自动参数化 CAD 生成的多模型框架，该框架在包含 97 个工程设计问题的基准测试中评估了七个基础模型，证明了紧凑型指令微调模型可以取得与更大规模系统相媲美的高质量结果，同时通过基于解析式和视觉语言模型的批判机制，揭示了处理旋转对称几何体时存在的特定挑战。

原作者： J de Curtò, Victoria Guillén, I. de Zarzà

发布于 2026-07-08

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： J de Curtò, Victoria Guillén, I. de Zarzà

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一位只说白话文的顶级建筑师。你想制造一个复杂的机械零件，比如一个带孔的金属板或一个坚固的支架，但你并不知道如何编写计算机语言（代码）。你只需说：“给我做一个 150mm 的板子，上面有六个圆孔。”

这篇论文讲述了如何教 AI 建筑师（大语言模型）听懂你的白话，并瞬间构建出该零件的 3D 蓝图。研究人员建立了一个名为 LLMForge 的测试场，以观察哪种 AI 在这项工作中表现最出色。

以下是他们使用简单类比进行的实验分解：

1. 挑战：“翻译”问题

通常，将一个口头构思转化为完美的 3D 机械零件是非常困难的。AI 必须将你的话翻译成严格的代码。如果代码中哪怕只有一个微小的错误，3D 形状可能会损坏、出现不该有的孔洞，或者尺寸错误。这就像要求一名翻译撰写一份法律合同；如果他们漏掉了一个词，整个交易就会崩塌。

2. 测试：“设计健身房”

研究人员创建了一个拥有 97 种不同练习项目（设计问题）的健身房。这些项目从简单的带孔平板到更复杂的形状（如圆柱体和 L 型支架）不等。他们要求 七种不同的 AI 模型 来解决这些问题。

3. 两位教练（批判机制）

AI 不仅仅是尝试一次；它会得到反馈，然后再次尝试。研究人员测试了两种不同类型的“教练”来提供这些反馈：

教练 A：“数学检查员”（IterTracer）
- 工作原理： 这位教练是一个超快速的计算器。它查看 AI 的绘图并检查数字。“孔径是 5mm 吗？边缘清晰吗？”它使用严格的数学和光线追踪（类似于视频游戏中的摄像机）来测量形状。
- 氛围： 这就像一位严厉的几何老师，专门检查你的尺量工作。它快速、精确，且永不疲倦。
- 结果： 顶尖的 AI 模型在这里表现得近乎完美。它们的得分几乎相同（约为 89%），证明对于标准形状，最好的 AI 已经非常擅长遵循数学规则。
教练 B：“艺术评论家”（IterVision）
- 工作原理： 这位教练是一个视觉语言模型（一种能够看懂并思考的 AI）。它不只是检查数字，而是观察 3D 图像并说道：“这看起来像个圆柱体，但孔的位置不对，”或者“整体形状与你的描述不符。”它使用“思维链”推理，就像人类设计师解释为什么某处看起来不对一样。
- 氛围： 这就像一位资深工程师，他看着蓝图说：“这感觉不太对劲，”即使数字看起来没问题。
- 结果： 这个教练更难被取悦。它降低了总分，因为它捕捉到了数学教练错过的细微错误。然而，它帮助一个特定的 AI（Gemma-3-27B）实现了 100% 的成功率，创造出了完美、无缺陷的 3D 形状。

4. “圆柱体”问题

研究人员注意到一个有趣的现象：AI 在处理圆柱体（圆形形状）时表现得最吃力。

原因： “数学检查员”依赖于看到边缘和平面来进行测量。圆柱体是圆滑且平滑的，因此很难通过数学手段找到用于检查的“边缘”。
类比： 这就像是用一把专门测量方盒子用的尺子去测量一个球。AI 会感到困惑，因为它通常依赖的视觉线索缺失了。

5. “迭代”的魔力（从错误中学习）

研究表明，让 AI 尝试、失败并再次尝试至关重要。

第一轮： AI 做出第一次猜测。
第二轮与第三轮： 教练指出错误（“你漏掉了一个孔”、“边缘太薄了”）。AI 进行修正。
发现： 对于最好的 AI 来说，第一遍猜测就已经很棒了。但对于较弱的 AI 来说，反馈循环是救命稻符，能将破碎的设计转化为可用的设计。

6. 核心结论

“四大天王”： 四种 AI 模型（DeepSeek、Qwen、Llama 和 Gemma）现在已经如此出色，以至于在使用严格的数学教练时，它们几乎没有区别。它们可以将你的英文单词转化为完美的机械零件，可靠性高达 99%。
“秘诀”： 加入“艺术评论家”（视觉 AI）有助于捕捉那些数学会忽略的微小、奇怪的错误，从而将顶尖模型推向完美。
局限性： AI 非常擅长处理简单的标准零件（平板、盒子、支架）。它在处理复杂的圆形形状（圆柱体）和非常花哨的自由形态设计时仍会遇到一些困难。

简而言之： 我们已经达到了这样一个阶段——只要你给 AI 一个检查工作并纠正错误的机会，它就能可靠地将你的口头构思转化为真实的、可使用的 3D 机械零件。最好的 AI 模型现在已经准备好作为工程师的“初稿”工具投入使用了。

技术摘要：用于自动 CAD 生成的基础模型

问题陈述

机械设计的自动化仍然是工程信息学领域的一个重大挑战。传统的计算机辅助设计（CAD）工作流需要专门的基于约束的参数化建模和脚本编写知识，这为非专业人员设置了障碍，并阻碍了其进入自动化处理链。虽然大型语言模型（LLMs）已展示出从自然语言生成结构化代码的能力，但在生成语法正确的代码与生成语义正确的、可制造的 3D 几何体之间存在关键差距。一个脚本可能在解析时没有错误，但生成的零件却存在尺寸错误、缺失特征或导致下游网格划分或仿真无法进行的拓扑缺陷。本文旨在建立一个稳健的评估框架，以评估基础模型将自然语言规范转化为有效的参数化 CAD 设计（特别是针对机械零件）的能力。

方法论

作者引入了 LLMForge，这是一个多模型文本转 CAD 框架，旨在通过统一的流水线和精选的基准测试来评估并优化基础模型的输出。

基准数据集

本研究利用了一个包含 97 个工程设计问题 的基准数据集，这些问题源自四种典型的几何族：

带有孔和螺栓圆的矩形板。
多特征方块（空心和实心）。
带法兰的圆柱体。
L 型托架。

每个问题都配有一个地面真值（ground-truth）特征规范（孔数量、尺寸、表面处理），用于计算解析符合度得分。模型被要求输出一个严格结构的 JSON 对象 来表示 CAD 参数，而非自由格式的代码。

评估流水线

该框架在两种不同的批判机制下评估了七种最先进的基础模型（DeepSeek-V3.2, Qwen3-235B-A22B, Llama-3.3-70B, Gemma-3-27B, GLM-4.5, MiniMax-M2.1, 和 INTELLECT），两者均采用迭代优化循环（最多 4 轮）：

IterTracer（解析机制）：
- 机制： 对渲染的位图进行确定性的、可微的几何分析。
- 过程： 使用 Phong 着色光线追踪渲染器生成正交视图。解析评分器计算五个子信号：轮廓 IoU、孔可见性、边缘间隙、长宽比符合度和横截面一致性。
- 反馈： 这些指标被转换为标量批判信息并反馈给模型进行优化。该机制轻量、快速，且不引入随机方差。
IterVision（语义机制）：
- 机制： 使用基于视觉语言模型（VLM）的语义评论员（Qwen2.5-VL-72B）增强解析评分器。
- 过程： VLM 通过思维链推理评估候选几何体的渲染视图，以评估空间连贯性和设计意图。
- 反馈： VLM 提供语义匹配得分 ( $s_{vlm}$ ) 和结构化文本反馈（缺失特征、几何问题），这些信息连同解析指标一起被纳入优化提示词中。

评分维度

生成的零件沿以下独立维度进行评估：

验证 ( $s_{val}$ )： JSON 模式符合度。
网格 ( $s_{mesh}$ )： 是否成功生成水密网格（watertight mesh）的二元指标。
特征 ( $s_{feat}$ )： 与地面真值规范的解析对比。
视觉 ( $s_{vis}$ )： 五个解析视觉子信号的综合得分。
VLM 语义 ( $s_{vlm}$ )： （仅限 IterVision）来自 VLM 评论员的语义匹配得分。

核心贡献

IterTracer 流水线： 一种利用解析视觉指标进行轻量级、具备几何感知能力的反馈，无需二次神经模型的迭代式文本转 CAD 生成系统。
IterVision 流水线： 一个集成了基于 VLM 的语义评论员的扩展版本，用于评估空间连贯性和设计意图，从而引入了新的评估维度。
全面的基准测试： 一个包含四个几何族、97 个工程问题的数据集，并配有用于解析评分的地面真值规范。
实证评估： 在两种流水线下对七种基础模型进行的对比研究，提供了每轮收敛轨迹和完整的网格质量统计数据。

实验结果

顶尖性能（IterTracer）： 四款模型（DeepSeek-V3.2, Qwen3-235B-A22B, Llama-3.3-70B, Gemma-3-27B）形成了一个紧密的性能集群，总分处于 $[0.885, 0.890]$ 范围内，网格成功率为 98.97%。这表明在解析批判下，顶尖指令微调模型已达到饱和点。
VLM 批判的影响（IterVision）： 加入 VLM 维度后，顶尖集群的整体得分统一下降了约 0.04 分，表明 VLM 进行了更严苛的语义评估。然而，Gemma-3-27B 实现了 100% 的网格成功率（97/97），所有网格均为水密且拓扑有效。
模型差异化： VLM 维度揭示了在解析指标中无法观察到的性能差异。例如，DeepSeek-V3.2 在语义匹配 ( $s_{vlm}$ ) 方面领先，而 Gemma-3-27B 尽管实现了完美的网格生成，但在该特定维度上的得分在顶尖四款模型中最低。
失效模式： 低阶模型表现出明显的失效模式。GLM-4.5 显示出高方差及间歇性的模式错误；MiniMax-M2.1 和 INTELLECT 则遭受了根本性的几何失败（例如，错误的参数导致网格生成异常）。值得注意的是，INTELLECT 表现出“视觉-几何脱节”现象，即其渲染输出获得了很高的 VLM 分数，但却未能通过网格验证。
几何难度： 圆柱类几何体的得分始终比平板和 L 型托架低 0.04–0.07 分，这归因于缺乏平面孔特征（减少了视觉判别因子）以及 VLM 训练数据中旋转对称部分可能存在的代表性不足。
优化动态： 在 IterTracer 下，顶尖模型在第 1 轮达到峰值后开始下降，这表明解析反馈能在单次传递中纠正离散错误。在 IterVision 下，模型在第 2 轮和第 3 轮持续提升，表明语义反馈提供了一个支持深度搜索的连续质量梯度。

意义与主张

本文声称，紧凑型指令微调模型在典型几何体的参数化 CAD 生成方面，可以达到与规模大得多的系统相竞争的可靠性。研究表明：

解析反馈 vs. 语义反馈： 解析反馈对于快速满足约束（模式和网格有效性）非常有效，但会迅速饱和。语义视觉反馈（VLM）对于发现解析指标无法捕捉的设计意图和空间连贯性的残余偏差是必要的。
工业工作流集成： 结构化的 JSON 表示和多轮批判协议适用于集成到工程产品数据管理（PDM）工作流中。作者建议采用两阶段策略：使用解析批判进行快速生成，并针对高价值或模糊零件选择性调用 VLM，以平衡 Token 开销与质量。
基准测试饱和： 在解析批判下，顶尖模型的表现近乎一致，这表明当前的基准测试可能不足以区分最先进的模型，因此有必要引入语义评估维度。

作者总结道，虽然目前的范围局限于典型几何体，但该框架为未来研究可扩展的自动化机械设计（包括自由曲面和特定制造约束）奠定了基础。