从意图到执行：面向精确CAD代码生成的多模态思维链强化学习

arXiv 2025 63.1 method

TLDR

提出CAD-RL多模态思维链强化学习框架，从自然语言生成精确CAD代码，含新数据集ExeCAD。

评分理由

The paper introduces a novel combination of CoT reasoning and RL with task-specific rewards for CAD code generation, supported by a new dataset of real-world CAD examples. Strengths include clear methodology and optimization strategies; weaknesses are that the abstract is cut off, limiting full assessment of results and limitations.

Read-first 评分解释

综合优先阅读分 63.1，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 84。

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准、数据集、评估、实验、指标

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

主题相关性 42%

52.5

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：AI for CAD、computer-aided design、neural CAD、generative CAD、parametric CAD、B-Rep、boundary representation、constructive solid geometry、CSG、sketch extrusion、CAD generation、CAD reconstruction、text-to-CAD、image-to-CAD、point cloud to CAD、CAD program

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码、数据集

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：8。

关键词评分

AI for CAD

computer-aided design

parametric CAD

CAD generation

text-to-CAD

generative CAD

CAD program

neural CAD

constructive solid geometry

CSG

B-Rep

boundary representation

sketch extrusion

CAD reconstruction

image-to-CAD

point cloud to CAD

深度分析

创新点

用于CAD代码生成的多模态思维链引导的强化学习后训练框架
三种任务特定奖励：可执行性奖励、几何精度奖励和外部评估奖励
三种稳定策略学习的优化策略：信任区域拉伸、精度令牌损失和过长过滤
ExeCAD数据集：包含16,540个真实世界CAD示例，配有自然语言、结构化描述、可执行CADQuery脚本和渲染3D模型

方法

CAD-RL结合了思维链冷启动与目标驱动的强化学习后训练，使用三种奖励（可执行性、几何精度、外部评估）。为处理稀疏和高方差奖励，引入了信任区域拉伸、精度令牌损失和过长过滤。ExeCAD数据集支持训练和基准测试。

关键结果

CAD-RL在推理质量、输出精度和代码可执行性方面相比现有视觉语言模型取得了显著提升。

资源

论文