CAD AI 2026

1.

CAD AI
Генерация моделей
Команда студентов ВГТУ

2.

Цель проекта
CAD AI — интеллектуальное расширение возможностей KOMPAS-3D.
Целью проекта CAD AI является создание интеллектуальной системы,
способной автоматически генерировать трёхмерные модели на
основе текстовых описаний, вводимых пользователем. Мы хотим
сократить время проектирования, упростить работу инженеров и
снизить порог вхождения для пользователей, не имеющих большого
опыта в CAD-среде.

3.

Зачем это нужно?
1. Ускорение процесса 3D-проектирования
2. Минимизация рутинной работы для инженеров и
проектировщиков
3. Снижение порога входа в работу с CAD для новых
пользователей
4. Интеграция ИИ в существующие САПРплатформы
Как это работает?
Пользователь вводит текстовый запрос
→ нейросеть интерпретирует его в инструкцию
→ система автоматически строит 3D-модель в KOMPAS-3D
Инженерам
Новичкам
Бизнесу

4.

5.

Пользователь вводит текстовый запрос
Пример: «Создай цилиндр диаметром 50 мм и
высотой 30 мм»
01
Этапы работы
02
03
AI + обработка вывода
Обработка на основе грамматики, базы знаний,
адаптационной матрицы, валидация
04
Интерпретация инструкций
Преобразование команд в вызовы KOMPAS SDK
(через Python-скрипт)
AI-блок: LLM + RAG + GBNF + LoRA
Валидатор: исправляет частые ошибки,
проверяет валидность данных для
построения
Интерпретатор: собственный код на
Python → преобразует инструкции в
команды
Kompas SDK: исполняет команды →
визуализирует модель
Интерфейс взаимодействия
Получение запроса;
Отображение информации о процессе/результате
05
Запуск построения в KOMPAS
Выполнение макроса
Отображение готовой 3D-модели

6.

Валидатор→ Интерпретатор
• После получения от нейросети структурированного JSON,
необходима валидация, повторная генерация с учётом
исправлений/авто-исправление частых ошибок.
• Интерпретатор парсит валидный JSON и выполняет команды
через Kompas SDK

7.

Промпт

8.

Пример JSON инструкций, полученных от AI

9.

Пример модели, созданной по текстовому промпту

10.

Пример модели, созданной по текстовому промпту

11.

01
Быстрая и простая работа через API
02
Хорошее понимание естественного языка
Идея, от которой мы отказались
Использование
готовых AI моделей
по API
03
Не требует подготовки датасета и больших
мощностей
04
Не обучены на CAD-доменных данных
05
06
Генерация может быть неточной или
неконсистентной
Сложно обучить на CAD-командах,
улучшить точность

12.

01
Быстрая визуализация без
построения через SDK
02
Идея, от которой мы отказались
Генерация готовых
моделей (STEP,
M3D, STL и др.)
03
Полученные файлы часто
полигональные, не пригодны для
правок
04
Зависимость от форматов
05
06
Не зависит от SDK и прочих инструментов,
может обрабатывать запросы удалённо
Более долгие вычисления и выше
требования по мощностям
Потеря истории построений и
параметричности

13.

01
Нейросети плохо работают с
геометрическими зависимостями,
эскизами, B-rep
Проблема
Векторные и
топологические
представления,
проблемы AI
04
02
Сложности с пространственным
мышлением (пересечения, массивы,
грани и т.д.)
03
Невозможность учёта эскизных
плоскостей и ограничений
Неустойчивость к некорректным данным

14.

01
Локальная модель с
дополнительным обучением и базой
данных
02
Валидатор данных
для построения
03
Интерпретатор набора инструкций
в SDK-команды по COM-интерфейсу
Контрольная точка
Что имеем?
04
Нестабильность и малая точность

15.

Пример модели, созданной по текстовому промпту

16.

Проблемы
1.
Малый объём данных для дообучения
• Датасет собран на относительно простых деталях и примерах.
• Есть потенциальные сложности с масштабированием.
2. Требование вычислительных мощностей
• Необходимость в локальных вычислениях на ГП.
• Проблемы оптимизации.
3. Отсутствие узкоспециализированных моделей
• LLM хорошо работают с текстом, но не решают
геометрические задачи – они предугадывают следующий
токен.
• Требуется разработка модели для решения вычисления
инженерной/векторной графики.
4. Слабо проработанный DSL, валидация
• Интерпретатор должен учитывать контекст, эскизы, параметры.
• Ошибки в логике могут не обнаружиться до исполнения в
Kompas.
• Сложно проработать частные случаи для построения.
5. Сложность обучения модели
• Задачи могут решаться несколькими путями.
• Адаптационные карты не решают проблему полностью.
• Необходимо более конкретное обучение “правильным”
способам решения задач

17.

Пути решения
1.
Эксперименты с моделями и их размерами.
1. Использование квантования разной степени.
2. Тесты на разных количествах параметров.
2. RAG + GBNF.
1. Создание базы примеров, а также готовых решений.
2. Грамматические ограничения, чётко изложенные инструкции
по использованию DSL.
3. LoRA – адаптационная матрица.
1. Дообучение готовых моделей.
2. Более узкая специализация LLM.
4. Разделение на слои LLM и решателя.
1. Использование LLM только для составления “ТЗ”, парсинга
переменных и параметров построения.
2. Обучение дополнительной модели для решения
геометрических задач на основе инструкций по ИГ, НГ.
5. Улучшенная валидация и авто-исправление на каждом этапе.
6. Уменьшение зоны ответственности ИИ.
1. Ограничение зоны ответственности уменьшит количество
ошибок и повысит предсказуемость результата.
7. Больший контроль на каждом этапе.
1. Контроль на каждом этапе позволит более точечно изменять
логику, промпты, параметры для достижения лучшего
результата.

18.

Спасибо за
внимание!