CAD 生成一步错步步错：把建模操作当动作，用点云预测下一状态

从文字生成可编辑的 CAD 模型，难的不是第一步，是第 8 步——前 7 步的误差已经叠在一起，而一个错误的操作会毁掉后面所有步骤。

CAD-WAM（arXiv 2610.39306，2026-10-29）的思路很干脆：既然问题出在"模型只学会预测命令、没学会预测命令会把几何变成什么样"，那就显式监督几何状态。

一、方法：动作 + 下一状态

这套结构借的是 world-action model 的思路：动作与状态成对学，而不是只学动作。

推理时形成一个闭环：每生成一个动作，就交给 CAD kernel 执行，把得到的实体重新编码成状态，再决定下一步。

二、结果：步数越多，优势越大

• 在 DeepCAD 测试集上，相对任务专用基线，几何精度与输出有效性都更好；
• 需要更多操作步的模型上，提升更大（这正是误差累积最严重的地方）；
• 比"用同一个 DSL、只靠提示词的通用 LLM"生成得更准。

最关键的消融实验：只加"下一状态"监督、其余完全相同的模型，平均 Chamfer 距离下降 13.2%。

也就是说，"让模型学会预判几何"这件事本身，价值是可以用数字衡量的。

三、为什么这条思路对程序化 3D 通用

程序化建模的本质是一串有前置条件的操作。三件事决定了系统能不能做长：

1. 前置条件可见：模型要知道"现在实体长什么样"，而不是靠自己记；
2. 操作可执行：每一步都交给真 kernel 跑，而不是只在文本层面推演；
3. 误差可度量：每一步都能算出与目标几何的距离，才能知道"现在偏了多少"。

CAD-WAM 的贡献是把这三点接成训练信号——不是让模型背更多命令，而是让它对"我这一步会把形状改成什么"有预判。

四、我们的整理

4.1 一个可迁移的检查清单（给做 agent 的人）

缺第 1 项，模型就在盲写；缺第 3 项，训练信号是噪声；缺第 4 项，一次错操作就得整局重来。

4.2 对我们工具链的含义

• CAD 查看器要"能查询"：包围盒、体积、特征数、点云采样——这些是 agent 的眼睛；
• 生成过程要留步：每一步的 DSL 与状态存下来，才能 review 与回滚（跟我们处理代码 diff 的方式一样）；
• 优选用例做对照：先挑"3–5 步能完成"的零件，成功率会好看，也更容易定位问题。

4.3 “下一状态监督”为什么值 13.2%

这个数字值得多说一句：它是在模型、数据、动作空间全部相同的对照下，仅仅多了“预测下一步几何”这个辅助目标。 这意味着两件事：

1. 几何监督比更多标注便宜：它只需要 CAD kernel 能算出中间实体，不需要人再写注释；
2. 对长序列的收益是复利的：每步的误差小一点，后面所有步的起点都更准，所以“步数越多，提升越大”完全合理。

4.4 失败模式与应对

4.5 边界

• 训练数据来自 DeepCAD 的参数化 CAD 模型（特定分布），跨到别的 CAD 体系要重新造数据；
• 论文主要看几何精度与有效性，工艺、公差、装配约束不在范围内；
• 长序列仍然难：步数越多，前沿条件越复杂，这也是论文自己指出的方向。

五、拿到模型先检查

生成的 STEP / IGES 用 CAD Viewer 打开，量包围盒、数特征；要对照渲染结果就丢进 3D Viewer。想先感受"文字直接出实体"的链路，Text2STL 最快。

同主题阅读

• text-to-CAD 只有一条路真能出图：让模型写脚本，别让它想象形状
• text-to-CAD 加一道有限元：几何对了，物理未必站得住
• 3D 生成 LoRA 微调：9.3M 参数，鞋底 F-score 从 0.276 到 0.803

Sources

• Zhengyang Li 等《CAD-WAM: Anticipating Geometry for Text-to-CAD Generation》，arXiv 2610.39306，2026-10-29 https://arxiv.org/abs/2610.39306（代码已放出，见论文页）