RA-CAD：学习执行后评议以生成状态感知Text-to-CAD

文本到CAD生成将自然语言的设计意图转化为可编辑和执行的参数化计算机辅助设计（CAD）代码，减少了手动建模所需的专业知识和努力。现有方法通过固定、外部供应、提示诱导或单独优化的批评机制来优化生成过程，但它们不一定优化如何反馈在生成过程中被解读并转换为有效的纠正行动。为了弥合反馈利用差距，我们提出了RA-CAD（ReAct Agent for CAD），这是一种状态感知的代理，通过Generate-Execute-Critique-Rewrite循环与CAD环境交互。在每次迭代中，RA-CAD执行当前代码，并观察其结果。基于设计指令、当前代码和执行反馈，代理随后生成一个明确的后续执行批评作为中间策略行动。这个批评要么验证当前结果以终止，要么提供修订导向指导条件下一个重写。CAD Code Bootstrapping（CCB）首先通过监督微调建立基本的参数化CAD编码能力。Feedback-Driven Agent Optimization（FAO）随后应用轨迹级别的组相对策略优化来同时生成代码和批评序列，为完整的交互轨迹分配终端F1和切比雪夫距离奖励。这种表述使批评成为可学习的学习决策，而不是未经优化的辅助输出。在CADFusion和Text2CAD上的实验表明，RA-CAD与现有方法相比，在执行有效性方面取得了最先进的结果，并且在几何质量上也超过了强大的专用语言模型，展示了提出的状态感知文本到CAD代理的有效性。