자동 CAD 생성을 위한 기초 모델

최근 대규모 언어 모델(LLM)과 시각-언어 모델(VLM)의 발전으로 자연어 설명으로부터 매개변수 3D 디자인을 자동으로 생성할 수 있게 되었습니다. 이 장에서는 CAD 디자인의 자동 생성을 위한 기초 모델에 대한 경험적 연구를 제시하며, 97개의 엔지니어링 디자인 문제를 포함하는 고유한 평가 PIPELINE과 커밋된 벤치마크를 사용합니다. LLMForge라는 다중 모델 텍스트- CAD 프레임워크를 소개하며, JSON 스키마 검증, 분석적 특징 평가, 메쉬 합성, 그리고 다중 반복 개선과 같은 기능을 포함합니다. 이 연구는 두 가지 비판 체제에서 연구됩니다. IterTracer는 Phong-빛의 라이트 트레이스 렌더러와 분석적 시각적 메트릭 (외곽 IoU, hole visibility, edge clearance, aspect-ratio conformance)으로 가벼운 형태 지식에 대한 feedback를 제공합니다. IterVision은 rendered views를 평가하는 chain-of-thought 시각적 추론을 사용하는 VLM semantic 비평가 (Qwen2.5-VL-72B)로 대체합니다. 4개의 표준적인 기하학 가족 (holes and bolt circles, multi-feature boxes, flanged cylinders, and L-brackets)을 포함하는 벤치마크에서, 우리는 DeepSeek-V3.2, Qwen3-235B-A22B, Llama-3.3-70B, Gemma-3-27B, GLM-4.5, MiniMax-M2.1, and INTELLECT 7개의 기초 모델을 평가합니다. IterTracer에서, 네 모델이 가장 높은 순위에 있는 것들은 tight cluster를 형성하고 (전체 평균이 [0.885, 0.890] 사이에 있습니다) 98.97%의 mesh 성공률을 보여주며, compact instruction-tuned 모델들이 훨씬 더 큰 시스템들과 비슷하게 일치할 수 있음을 보여줍니다. VLM-based critique는 IterVision에서 100%의 watertight mesh generation을 제공하지만, rotationally symmetric geometries (예: cylinders)에서 visual and semantic scoring이 가장 많이 분기를 일으키는 systematic difficulty를 노출합니다. 우리는 벤치마크 디자인, failure modes, CAD-oriented prompting, 그리고 산업적 워크플로우와 확장 가능한 자동화된 기계 설계에 대한 영향에 대해 논의합니다.