Seek-CAD：基于DeepSeek本地推理的自优化生成式三维参数化CAD建模

arXiv 2025 52.5 method

TLDR

Seek-CAD利用本地部署的DeepSeek-R1，结合视觉和CoT反馈，实现无需训练的参数化CAD生成，并引入新SSR数据集。

评分理由

The paper presents a novel training-free approach using an open-source LLM for CAD generation, with a self-refinement mechanism incorporating visual and chain-of-thought feedback. Strengths include innovation and flexibility; weaknesses include potential reliance on specific LLM and incomplete abstract details.

Read-first 评分解释

综合优先阅读分 52.5，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 70。

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

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：数据集、实验、指标

主题相关性 42%

43.8

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：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：7。

关键词评分

parametric CAD

CAD generation

AI for CAD

computer-aided design

generative CAD

sketch extrusion

neural CAD

CAD program

image-to-CAD

B-Rep

boundary representation

constructive solid geometry

CSG

CAD reconstruction

text-to-CAD

point cloud to CAD

深度分析

创新点

首次探索本地部署的开源LLM（DeepSeek-R1）用于无需训练的CAD参数模型生成。
自优化机制，整合来自渲染逐步图像的视觉反馈和思维链反馈。
引入基于SSR（草图、基于草图特征、细化）三重设计范式的新型3D CAD数据集。

方法

Seek-CAD首先生成初始CAD模型，将其渲染为逐步透视图，然后使用视觉语言模型和来自DeepSeek-R1的思维链推理评估模型。DeepSeek-R1利用反馈在无需训练的循环中迭代优化模型。

关键结果

大量实验证明了Seek-CAD在各种指标下的有效性。

资源

论文