论文页面 - 基于有限元分析反馈的自我改进CAD生成代理

来源：https://huggingface.co/papers/2605.17448

摘要

通过学习型CAD生成系统，并引入有限元分析进行工程验证，以及改进与真实设计流程更契合的监督信号，可提升其性能。

计算机辅助设计（https://huggingface.co/papers?q=Computer-aided%20design）（CAD）是现代工业设计的基石，但现有学习型CAD生成器仍无法满足真实工程流水线的要求：它们既不像工程师那样迭代，也无法评估工程需求。先前的工作将CAD生成（https://huggingface.co/papers?q=CAD%20generation）视为两个独立的步骤——零件合成与装配，其中前者以与黄金参考的接近程度评分，后者（若被处理）则被简化为一个独立的约束求解步骤。在这项工作中，我们提出了一种更贴近行业原生的任务定义：模型需根据自由形式的工程需求说明生成完整的多零件STEP文件（https://huggingface.co/papers?q=STEP%20file），随后通过有限元分析（https://huggingface.co/papers?q=finite%20element%20analysis）（FEA）进行验证。FEA验证表明，Codex（GPT-5.5）和Claude Code（Opus-4.7）代理在首次尝试的全面筛选中未能生产出任何一个严格通过的制品，最佳配置平均仅满足约20%的书面需求。此外，我们引入了两种额外的监督信号：一种新颖的纯文本蓝图模式和一种辅助代理进行视觉检查的21视角图像渲染器，这些信号能更好地将生成循环与工程师实际迭代的方式对齐。在S2O和Fusion360数据集上，相同的反馈工具改善了几何重建（https://huggingface.co/papers?q=geometric%20reconstruction），GPT-5.5/xhigh在S2O上的Box-IoU（https://huggingface.co/papers?q=Box-IoU）从0.444提升至0.592，在Fusion360上从0.397提升至0.505。这些信号共同推动CAD程序生成不仅视觉上合理，而且经过物理与结构需求验证的制品。

查看arXiv页面（https://arxiv.org/abs/2605.17448）查看PDF（https://arxiv.org/pdf/2605.17448）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.17448）

在你的代理中获取此论文：

hf papers read 2605\.17448

没有最新的CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

没有模型引用此论文

在模型 README.md 中引用 arxiv.org/abs/2605.17448 以从本页链接。

引用此论文的数据集 0

没有数据集引用此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.17448 以从本页链接。

引用此论文的Space 0

没有Space引用此论文

在Space README.md 中引用 arxiv.org/abs/2605.17448 以从本页链接。

包含此论文的合集 0

没有合集包含此论文

将这篇论文添加到一个合集（https://huggingface.co/new-collection）以从本页链接。