文本到CadQuery：一种具有可扩展大模型能力的CAD生成新范式

arXiv 2025 55.6 method

TLDR

通过微调大语言模型从文本生成CadQuery代码，显著提升精确匹配和倒角距离。

评分理由

Strengths include a novel paradigm leveraging pretrained LLMs for direct CAD code generation, with strong empirical results across model scales. Weaknesses are the reliance on CadQuery-specific representation and limited evaluation metrics that may not capture full practical usability.

Read-first 评分解释

综合优先阅读分 55.6，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 80。

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、指标

主题相关性 42%

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、GitHub

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：17。

关键词评分

text-to-CAD

computer-aided design

generative CAD

CAD generation

CAD program

AI for CAD

parametric CAD

neural CAD

B-Rep

boundary representation

CAD reconstruction

constructive solid geometry

CSG

sketch extrusion

image-to-CAD

point cloud to CAD

深度分析

创新点

直接从文本生成CadQuery代码，消除了中间的任务特定命令序列
利用预训练大语言模型的Python生成和空间推理能力进行CAD生成
用17万条CadQuery注释扩充Text2CAD数据集
证明在Text-to-CadQuery上微调后，更大的模型能获得更好的性能

方法

在从Text2CAD导出的17万对文本到CadQuery的数据集上微调六个不同规模的开源大语言模型。模型直接从自然语言生成CadQuery Python代码，通过top-1精确匹配和倒角距离进行评估。

关键结果

最佳模型实现了69.3%的top-1精确匹配（从58.8%提升），并将倒角距离降低了48.6%。

技术栈

LLMs (e.g., LLaMA, CodeLlama)PythonCadQueryText2CAD dataset

资源

论文