DeepCAD
PulseAugur coverage of DeepCAD — every cluster mentioning DeepCAD across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
TraceCAD通过持久化恢复增强了基于LLM的CAD生成
研究人员开发了TraceCAD，这是一种新颖的恢复层，旨在提高大型语言模型（LLM）生成CAD的可靠性。该系统维护持久化状态，链接请求的功能、建模步骤和恢复结果，以诊断和纠正错误的操作。TraceCAD的方法包括在依赖区域内搜索有界编辑，并通过执行和保留检查来验证候选对象。在DeepCAD基准测试上的评估表明，TraceCAD在实现具有竞争力的几何质量的同时，减少了重试次数、token成本和延迟，证明了持久化、局部化和可重用恢复机制的有效性。
-
AI模型CADENA将3D网格分步重建为可编辑的CAD程序
研究人员开发了CADENA，一种新颖的AI模型，旨在将3D网格重建为可编辑的参数化CAD程序。与一次性生成整个程序的方法不同，CADENA通过分步构建程序，并在每次操作后评估几何形状，模仿人类工程师的工作方式。这种方法提高了准确性并减少了错误。该团队还推出了CADENA-Bench，一个包含3396个真实机械零件的新基准数据集，以更好地评估CAD重建方法。CADENA在该基准和其他现有数据集上均表现出卓越的性能。
-
AI 驱动的规范驱动开发新兴用于 AutoCAD 图纸
虽然尚无直接的文本到 CAD 图纸生成器，但一种规范驱动的开发方法正在新兴，用于创建技术图纸。此方法涉及在 requirements.md 文件中编写规范，然后由神经网络将其转换为 AutoCAD 可执行以生成图纸的代码。尽管目前 AutoCAD 2026 中的 AI 专注于清理和组织现有设计等常规任务，而不是从头开始生成新设计，但 Text2CAD 等研究正在推进文本到 CAD 生成领域，尽管在复杂几何方面存在局限性。
-
新数据集旨在推进AI辅助CAD程序生成
研究人员推出了两个旨在推进AI辅助计算机辅助设计（CAD）的新数据集。CADBench提供了一个统一的基准，包含18,000个跨越六个系列、五种输入模态和六个指标的样本，用于评估CAD程序生成的AI系统。FllumaOne是一个代码原生数据集，提供了100,000个包含可执行Python程序和已验证特征历史的样本，支持各种CAD重建任务。这两个数据集都旨在标准化评估并推动可编辑3D重建领域的发展。
-
新的基准测试评估AI的CAD程序生成能力
发布了两个新的基准测试，CADBench和BenchCAD，用于评估AI从各种输入生成计算机辅助设计（CAD）程序的能力。这些基准测试旨在标准化多模态AI系统在从图像或3D模型重建可编辑CAD程序等任务中的评估。早期评估表明，虽然专用模型在网格到CAD任务上表现更好，但目前的通用视觉语言模型在复杂的几何细节和工业设计参数方面存在困难，这表明它们在工业准备方面存在差距。
-
新型扩散模型推动计算机辅助设计生成
研究人员开发了一种新颖的级联离散扩散框架，以改进计算机辅助设计（CAD）生成。该方法通过直接在离散 CAD 标记而非连续嵌入上操作来解决现有方法的局限性，而连续嵌入通常会导致无效符号。该框架采用独立的命令和参数扩散过程，利用专门的转移矩阵来处理 CAD 数据的异构性质。在 DeepCAD 数据集上的实验表明，与先前的自回归和连续扩散模型相比，其性能更优。