论文
从零到 CAD：在没有真实数据的情况下，百万级可解释 CAD 程序的代理综合
Zero-to-CAD: Agentic Synthesis of Interpretable CAD Programs at Million-Scale Without Real Data
摘要
计算机辅助设计 (CAD) 模型由其构造历史定义：编码设计意图的参数化配方。然而，现有的大型 3D 数据集主要由边界表示 (B-Reps) 或网格组成，从而剥离了这一关键的程序信息。为了解决这一稀缺问题，我们引入了 Zero-to-CAD，这是一个用于合成可执行 CAD 构造序列的可扩展框架。我们将综合视为一个代理搜索问题：通过在反馈驱动的 CAD 环境中嵌入 大语言模型 (LLM)，我们的系统使用工具和文档查找迭代生成、执行和验证代码，以促进几何有效性和操作多样性。这种代理方法可以合成大约一百万个可执行、可读、可编辑的 CAD 序列，涵盖草图和拉伸工作流程之外的丰富操作词汇。我们还发布了精选的 100,000 个高质量模型子集，这些模型是为了几何多样性而选择的。为了演示该数据集的实用性，我们对合成数据微调视觉语言模型，以从多视图图像重建可编辑 CAD 程序，其性能优于包括 GPT-5.2 在内的强大基线，并且无需真实的构建历史训练数据即可有效引导序列生成功能。零到 CAD 弥合了几何比例和参数可解释性之间的差距，为下一代 CAD AI 提供了重要资源。