text-to-CAD 加一道有限元：几何对了，物理未必站得住
语言驱动的 CAD 生成已经能产出可编辑的参数化模型——但几何正确并不等于物理可行。
华东地区研究者在 PhyCAD（arXiv 2611.09401，2026-11-06）里把这句话做成了训练目标：让语言模型生成可执行的 CadQuery 程序，同时满足几何与物理约束。
一、它要解决的问题：奖励信号把两件事混在一起了
常规做法是把"几何得分"和"物理得分"加权求和。作者指出这会出事：某一项进步可以补偿另一项没达标——形状越来越像，强度越来越差，总分还在涨。
所以他们的核心不是模型架构，是奖励怎么排优先级：
- 先按验证状态把候选分成层级（哪些约束真的过了）；
- 层与层之间比"进度"，层内再按各目标做同伴排序；
- 合起来叫 Hierarchical Balanced Advantage，替代 GRPO 里扁平的聚合。
这样训练信号始终保留"跨层的优先级"（物理可行永远排在几何相似之前），同时又给部分完成提供细粒度反馈。
二、三件配套工程
| 部件 | 做什么 |
|---|---|
| 数据集 | 把参数化 CAD 模型与几何规格、载荷条件、物理约束关联起来 |
| 自动 CAD–CAE 验证器 | 程序执行 + 几何检查 + 有限元分析，三者一起给出反馈（相当于把仿真塞进了训练回路） |
| 分层奖励 | 见上一节，防止"某项进步掩盖另一项未达标" |
论文的结论是：在多个语言模型上，PhyCAD 都能稳定提高几何与物理约束的联合满足度。
三、为什么这件事对"程序化 3D"重要
程序化的价值在于可执行：模型输出的不是一张图、也不是一个 mesh，而是一段能被 CAD 引擎跑出实体的代码。可执行带来一个额外好处——可以被自动验证。
PhyCAD 把验证往前推了一步：不只是"能跑通、形状对"，而是"跑完之后拿去算一遍，承力够不够"。这条路径一旦成立，"AI 生成零件"的验收标准就从"看起来像"变成"通过检查"。
四、我们的整理
4.1 一个可以直接搬走的训练/验收框架
不管你做不做 RL，这套分层可以照用：
- 第一层：可执行（代码能跑、无语法错）；
- 第二层：几何（尺寸、位置、拓扑符合描述）；
- 第三层：物理（载荷下不变形、不失效）；
- 第四层：可制造（工艺、公差、装配）。
只有全部满足才叫交付。 把四层写成检查表，比调一个总分更实用——尤其在 AI 参与的流程里，分数会骗人，检查表不会。
4.2 对我们工具链的提醒
- CAD 查看器要能读出实体属性（体积、包围盒、特征数），而不只是渲染——验收靠的是数值；
- 仿真结果（应力、位移）要能和模型同屏对照，否则"哪里不行"看不出来；
- 生成的代码建议入库（
.py/.scad），跟软件一样 review。
4.3 自己搭一个“带仿真的生成回路”要四步
- 先有生成器：模型输出可执行脚本（CadQuery / build123d），不是 mesh；
- 再接执行器：每段脚本交给真 CAD kernel 跑，把实体存下来；
- 再接检查器：几何检查（尺寸/干涉）+ 仿真检查（加载荷、看应力）；
- 最后才谈训练：把检查结果当成奖励，并按层级排优先级。
顺序很重要：很多团队一上来就调生成模型，结果没有可执行的检查器，只能拿渲染图当奖励——那就回到了“看起来像”的老路。
4.4 一份可以直接用的验收单
| 层 | 检查项 | 失败时改什么 |
|---|---|---|
| 可执行 | 脚本能跑、无语法错 | 改提示词/约束，不改模型 |
| 几何 | 尺寸、孔位、拓扑符合描述 | 补尺寸说明或换更强的 vare |
| 物理 | 载荷下应力/位移在限内 | 改结构参数（厚、筋、材料） |
| 可制造 | 工艺、公差、装配可行 | 回到人，不要交给模型 |
4.5 边界
- 物理可行性用的是有限元近似，边界条件对不对仍然取决于人：载荷加错位置，结论再漂亮也没用；
- 论文验证的是"约束满足度"，不是工程可交付性（公差、工艺、装配都不在范围内）；
- 训练成本与数据集构建成本是这类方法的隐性门槛，小团队更适合"生成 + 人工跑仿真"的半自动流程。
五、生成之后怎么自己验
程序跑出实体后，把 STEP / IGES 丢进 CAD Viewer 量尺寸、看特征；要出 GLB 做评审就用 3D Viewer；需要从零试一段文字生成，Text2STL 是最短的入口。
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
- AI 工厂数字孪生：智能体拼 OpenUSD 校区，尺寸仍要人核
- 3D 生成 LoRA 微调：9.3M 参数，鞋底 F-score 从 0.276 到 0.803
Sources
- Yuxin Cui 等《PhyCAD: Physics-Aware Text-to-CAD Generation via Hierarchical Reinforcement Learning》，arXiv 2611.09401，2026-11-06 https://arxiv.org/abs/2611.09401