（本文阅读时间：10分钟）
编者按：在传统的机械设计和制造流程中，参数化 CAD 文件一直是概念与制造之间的关键桥梁。然而，工程师们长期以来一直被复杂的 CAD 特征树和繁琐的建模流程所困扰。近年来，随着大语言模型（LLMs）的飞速发展，AI 在多个领域展现了其强大的能力。本文将介绍三项微软亚洲研究院的最新研究——FlexCAD、CADFusion 和 CAD-Editor。它们分别从统一建模框架、视觉反馈机制和自然语言编辑功能三个层面，逐步推动了 CAD 建模的智能化发展。这些创新不仅显著提升了建模效率，还让使用者能够更加专注于创意本身。
从笔记本电脑的铰链、电动自行车的车架，到喷气发动机的涡轮叶片，很多工业产品的零部件，其设计最初都源自一份可制造的三维模型（manufacturable 3D model）——参数化 CAD 文件（parametric CAD file）。这类文件不同于影视特效中的三角网格（mesh），或游戏中的体素（voxel grid），CAD 文件必须精确记录尺寸（exact dimension）与公差（tolerance），以便后续通过 CAM 软件、数控机床和检测设备，完成物理制造的过程。
相比于娱乐几何体，CAD 文件对结构严谨性和可编辑性的要求更高，是产品设计、制造流程中唯一的可信数据源。然而，CAD 建模流程本身有一个“致命”的瓶颈，例如，仅仅将四个钻孔改为三个，工程师可能就需要在盘根错节的建模文件中手动定位阵列参数、重新计算孔距和受力分布、核对加工公差，稍有不慎就可能导致整个模型崩溃。
在大语言模型（LLMs）已显著提升文本生成、代码编写和图像创作效率的背景下，业界开始探索：如果机械设计也能借助 AI 实现更自然、更高效的交互，将会带来怎样的变革？设想一个场景：用户只需说出“把这些孔的直径缩小2毫米”，AI 就能在几秒内生成无报错、可直接制造的 CAD 文件。
近期，微软亚洲研究院提出了三项最新研究，朝这一目标稳步推进。其一是构建一个能够覆盖全部建模层级的基础模型 FlexCAD（论文已被 ICLR 2025 收录）；其二是可以使模型具备通过渲染图理解几何结构能力的 CADFusion（论文已被 ICML 2025 收录）；其三是让 AI 能够理解并执行复杂自然语言指令的 CAD-Editor（论文已被 ICML 2025 收录）。通过这三项技术的协同推进，AI 有望显著简化 CAD 建模流程，让设计者、工程师和创客能够将更多精力投入到创意表达，而非繁复的操作中。
Text-to-CAD Generation Through Infusing Visual Feedback in Large Language Models，ICML’25https://arxiv.org/abs/2501.19054
CAD-Editor: A Locate-then-Infill Framework with Automated Training Data Synthesis for Text-Based CAD Editing，ICML‘25https://arxiv.org/abs/2502.03997
代码链接：https://github.com/microsoft/FlexCAD
AI重塑CAD建模：更自然的交互、更高效的创作
作为连接概念与制造的关键枢纽，CAD 建模效率的提升，将能够显著优化整个供应链：专业工程师可以减少返工，将更多时间投入到真正的工程权衡中；初创企业能够更快地将产品推向市场；未经训练的创客也能轻松参与产品设计。对于 AI 研究者而言，参数化 CAD 是一个严谨而丰富的“沙盒”，模型必须同时推理几何结构、物理约束、可制造性与美学因素，为多模态大模型提供了超越文本与图像的实验场。
几十年来，工程师仍需在 CAD 的特征树间步步为营，担心前序建模更改会“牵一发而动全身”。宏脚本仅适用于极少数可预测的重复场景，一旦需求变化便全线失灵。早期 “AI for CAD” 的方法虽可自动补草图、补拉伸，但要为不同层级训练各自的子模型，拼接复杂，且无法反映使用者的设计意图，生成结果难以被引导，更难以落地。
本质上，参数化 CAD 文件是一组命令的集合——画轮廓、拉伸、倒角……。若将每步标记为令牌，那么大语言模型便有望解析 CAD 文件、推理空间关系、生成可制造的 CAD 文件。围绕这一潜力，微软亚洲研究院提出了三个层层递进、互补协同的研究路径。
FlexCAD: 用单一模型打通六大建模层级
传统可控 CAD 生成存在“多模型、难维护”的痛点。而 FlexCAD 打破了这一局限，提出了单一模型一次微调即可覆盖全部建模层级的统一框架。
研究员们首先把 CAD 模型编码为结构化文本，每条曲线（如直线、圆弧等）及其几何参数离散为令牌，并借助层级分隔符依次将其拼接为“曲线 → 环 → 面 → 草图 → 拉伸 → 草图-拉伸对”的六级序列，使整个零件浓缩为数百个大语言模型可识别的符号。
接着，研究员们通过层级感知遮盖策略，在训练中随机选取任一层级字段（可能是一条曲线，也可能是一整段草图，甚至整个拉伸体）用 替换，并要求大语言模型恢复被遮盖内容。由于遮盖层级可在六级结构间灵活切换，因此模型一次微调便能够学会“按需”补全任意细节。推理阶段也同样简单：将待修改的 CAD 转换成文本，把目标区域替换为 后输入 FlexCAD，即可生成满足几何约束的新指令序列。这一策略使模型能够灵活完成局部补全任务，无需专门针对草图、面或曲线训练多个子模块。
实验表明，FlexCAD 在生成质量与控制精度上均超越现有方法，实现了高质量、高灵活性的 CAD 建模统一范式。
图1：FlexCAD 原理图
CADFusion：让模型既懂“写代码”，又会“看渲染图”
仅靠结构化序列描述 CAD 模型还远远不够，真正决定零件可制造性和审美价值的是渲染其外观，而这在纯文本形式中往往难以体现。CADFusion 通过两个阶段交替训练，让模型同时具备“写指令”与“看效果”的能力：
1. 序列学习阶段：使用真实的参数化序列监督大语言模型，确保其生成的 CAD 指令逻辑连贯且语法完备。
2. 视觉反馈阶段：将候选序列渲染成图像，交由大型视觉-语言模型评估外观的优劣，并利用直接偏好优化（direct preference optimization），让模型学会“什么样的外观看起来更好”。
两个阶段反复交替，既保留了序列信号的结构优势，又可以持续注入视觉偏好，使模型在两种信号间达到平衡。实验结果显示，CADFusion 在定量指标与人类评估质量上均大幅领先，且时间和成本仅依赖自动生成的视觉评分即可扩展至大规模训练。
图2：CADFusion 原理图
CAD-Editor：用自然语言“精修”复杂模型
生成新零件的模型只是一个起点，工业流程里更常见的需求是设计的反复迭代。CAD-Editor 首次把这一任务系统化，提出先定位再填充（locate-then-infill） 两阶段框架，并用全自动流程构建大规模训练数据：
1. 自动三元组数据管线：用变体生成模型先构建出“原模型-编辑后模型”对，再由大型视觉-语言模型对比两版渲染图，并用自然语言描述其差异，无需人工成本即可获得高质量“自然语言指令、原模型、编辑后模型”三元组，从而解决了标注瓶颈。
2. 先定位再填充双模型架构：定位器（locator） 读取“原模型＋自然语言指令”，在有修改必要的范围插入 ；填充器（infiller） 仅在 内部生成新的 CAD 指令，实现“精确遮盖 + 最小改动”，其余 CAD 模型保持完好。
经公开基准测试，CAD-Editor 在几何一致性、构建成功率与人工偏好上均显著超越 GPT-4o 等单步基线，且框架对多样编辑场景高度泛化。
图3：CAD-Editor 原理图
智能建模的时代已开启
当参数化 CAD 文件成为 AI “可读可写”的语言后，大语言模型将不仅仅是一个工具，更是具备理解力、创造力和协作能力的设计伙伴。而这场变革所影响的领域也远不止机械制造，在建筑设计领域，AI 可辅助生成、迭代复杂的建筑结构，支持空间布局和可持续设计；在工业设计和消费电子领域，AI 可协助快速推敲产品外观与结构，实现从创意到量产的无缝衔接；在教育和创客空间，复杂建模将变得触手可及，进而激发更多创新与跨界合作；甚至在艺术与可视化领域，AI 驱动的建模将拓展三维创作的边界。
未来，不论是工程师、创客还是学生、艺术家，都可以借助 AI 释放自己的设计潜力。可制造三维的智能设计时代才刚刚启程，属于每个人的创意设计新篇章正在徐徐展开。
当面对集体性的难题时，思想的碰撞与智慧的共鸣显得尤为重要。微软亚洲研究院历时两年打磨的《无界——透视微软创新研究之境》一书，正是献给这个时代的探索指南。
包括周礼栋院长在内的十余位顶尖科研人员参与了本书的编写工作，他们从不同角度探讨了人工智能、计算机科学及其交叉领域的最新进展，分享了前沿的展望、观点以及宝贵的科研经验。
本书已获得十余位全球顶尖学者的推荐，其中包括图灵奖得主、院士、知名高校领导、在各自领域享有盛誉的学者，以及微软亚洲研究院的杰出院友。
现在，《无界——透视微软创新研究之境》已全平台火爆开售！首批读者将获得限量版微软50周年书签，书签上的文章作者亲笔签名将随机呈现，盲盒式惊喜等你开启！
立即点击下方链接，开启你的专属阅读之旅！
你也许还想看：
文章原文
