CAD-判别器：面向文本到 CAD 生成的有效形态分级和验证.pdfVIP

CAD-判别器：面向文本到CAD生成的有效形态分级和验证

1∗2∗3411

ZheyuanZhou,JiayiHan,LiangDu,NaiyuFang,LemiaoQiu,ShuyouZhang

1ZhejiangUniversity

2InspurGenersoftCo.Ltd.,InspurGroupCo.Ltd.

3TencentInc.

4NanyangTechnologicalUniversity

https://zhouzheyuan.github.io/cad-judge

Abstract言描述自动生成参数命令序列(Khanetal.2024b;Li

etal.2024;Wangetal.2025a)。这样的系统允许专业

计算机辅助设计（CAD）模型广泛应用于工业设计、仿

人士和业余爱好者通过直观的文本指令快速原型设计

本真和制造过程中。文本到CAD系统旨在从文本描述生可编辑的CAD模型，显著减少了手动构建所需的时间

成可编辑的通用CAD模型，显著降低了传统CAD工作

译流程相关的复杂性和入门障碍。然而，渲染CAD模型可和精力。当前的方法通常依赖于基于Transformer的端

中能很慢，并且部署视觉语言模型来审查CAD模型可能会到端架构，并在成对的数据集上进行训练，这些数据集

非常昂贵并且可能导致奖励操纵，从而降低系统的性能。中包含文本命令及其相应的CAD序列(Lietal.2024;

1

v为了解决这些挑战，我们提出了CAD-Judge，一个新颖Khanetal.2024b)。这些模型通常是从头开始训练的，

2的可验证奖励系统，用于高效和有效的CAD偏好分级导致收敛速度慢且性能次优。此外，有限的模型容量限

0和语法验证。我们采用编译器作为裁判模块（CJM）作制了它们解释细微或复杂设计指令的能力。最近的研

0

4为一个快速直接的奖励信号，通过前景理论最大化生成究试图通过整合预训练的大语言模型（LLMs）来解决

0效用来优化模型对齐。为了进一步提高文本到CAD在

.这一问题，利用其强大的语言理解和CAD原则的一般

8测试阶段的鲁棒性，我们引入了一种简单而有效的代理知识(Wangetal.2025a)。

0CAD生成方法，并采用了编译器作为审查模块（CRM），

5它有效地验证了生成的CAD模型，使系统能够相应地然而，将这些模型与人类偏好保持一致仍然是一

2对其进行改进。在具有挑战性的CAD数据集上的大量个主要障碍。如图1所示，大多数现有方法依赖于成对

:

v实验表明，我们的方法实现了最先进的性能并保持了卓的偏好数据——由同一提示生成的受青睐和被拒绝的

i

x越的效率。CAD输出之间的比较(Wangetal.2025a)。构建此类数

r

a据成本高昂，需要通过VLM渲染并为每个提示排名多

介绍