基于有限元分析反馈的自改进CAD生成智能体

arXiv 2026 65.9 method

TLDR

提出自改进CAD智能体，利用有限元分析反馈从工程需求生成多部件STEP文件，提升几何重建质量。

评分理由

Strengths include a novel industry-native task formulation and the use of FEA as a practical validation signal, moving beyond geometric similarity. Weaknesses are limited evaluation on only two datasets and modest absolute performance gains, with no real-world deployment or user study.

Read-first 评分解释

综合优先阅读分 65.9，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 77。

方法质量 25%

100

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：分析、数据集、评估、指标、验证

近期性 8%

100

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：2026

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：工件、代码、数据集

主题相关性 42%

48.1

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

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：13。

关键词评分

AI for CAD

computer-aided design

CAD generation

generative CAD

text-to-CAD

CAD reconstruction

neural CAD

CAD program

parametric CAD

image-to-CAD

B-Rep

boundary representation

constructive solid geometry

CSG

sketch extrusion

point cloud to CAD

深度分析

创新点

引入了一种更贴近工业实际的任务形式，要求从自由形式工程需求生成完全装配的多部件STEP文件，并通过有限元分析（FEA）验证。
将FEA作为反馈信号集成到自改进CAD生成智能体中，超越了仅依赖几何接近度的度量。
两种新颖的监督信号：纯文本蓝图模式和21视图图像渲染器用于视觉检查，使生成循环与工程迭代实践对齐。

方法

本文提出一种任务，智能体（Codex GPT-5.5, Claude Opus-4.7）根据工程需求生成多部件STEP文件，然后使用FEA验证输出。引入了两种额外的反馈工具——文本蓝图模式和21视图图像渲染器——以指导迭代优化。在S2O和Fusion360数据集上使用Box-IoU和需求满足度指标进行评估。

关键结果

FEA验证显示，首次尝试扫描中无严格通过的工件；最佳配置平均仅满足约20%的类型化需求。使用所提出的反馈工具后，GPT-5.5/xhigh在S2O上的Box-IoU从0.444提升至0.592，在Fusion360上从0.397提升至0.505。

局限性

智能体在首次FEA验证中未能产生任何严格通过的工件。
最佳配置平均仅满足约20%的类型化需求，表明整体合规性较低。
反馈信号改善了几何重建（Box-IoU），但摘要未报告即使在迭代后也能实现严格的FEA通过。
评估仅限于两个数据集（S2O, Fusion360）和两个专有智能体模型。

技术栈

GPT-5.5Claude Opus-4.7Finite Element Analysis (FEA)STEP file formatS2O datasetFusion360 datasetBlueprint schema21-view image renderer

资源

论文