최근 텍스트-투-CAD 접근법들은 대규모 언어 모델(LLM)을 활용하여 유망한 결과를 보여주었지만, 복잡한 설계에서 구조적 일관성을 유지하고 기하학적 매개변수를 정확하게 그라운딩하는 데 어려움을 겪는 경우가 많다. 이러한 문제를 해결하기 위해, 우리는 구조적 추론과 매개변수 예측을 모두 개선하는 계층적 텍스트-투-CAD 프레임워크인 HierCAD를 제안한다. HierCAD는 CAD 구성 트리를 객체 수준의 절차적 추론 궤적과 부품 수준의 토폴로지 추론 궤적으로 분해함으로써 CAD 생성을 점진적 추론으로 재정식화한다. 생성 충실도를 더욱 향상시키기 위해, 우리는 통합된 구조 정렬 및 매개변수 그라운딩(SAPG) 학습 전략을 도입한다. 구조 정렬은 토폴로지 추론 궤적을 해당하는 파라메트릭 CAD 스팬과 정렬하고, 매개변수 그라운딩은 구조 보존 매개변수 섭동과 순위 기반 감독을 통해 지름길 학습(shortcut learning)을 완화한다. 실험을 통해 HierCAD가 CAD 시퀀스 생성과 재구성된 CAD 모델 평가 모두에서 기존 최첨단 방법들을 능가함을 입증한다. 코드는 https://github.com/Collab-Gen/HierCAD 에서 확인할 수 있다.
ArtisanCAD는 CATIA 작업 녹화, 매크로 로그, 도면 노트 등 전문가 절차 지식을 CAD 중간 표현(CAD-IR)으로 증류하여 재사용 가능한 파라메트릭 스킬로 변환하는 산업용 CAD 에이전트(agent)다. Text2CAD 벤치마크에서 중간 수준 프롬프트 기반 생성 시 평균 Chamfer Distance를 14.83에서 9.88로 낮췄으며, 복잡한 자동차 부품에 대해 CATIA 네이티브 편집 가능 B-Rep 모델 생성이 가능함을 실증했다.
대규모 언어 모델과 프로그래매틱 CAD의 최근 발전은 개별 부품에 대한 텍스트-투-CAD 생성을 크게 향상시켰다. 그러나 생산 준비 완료 수준의 기계 어셈블리 생성은 여전히 대부분 미해결 과제로 남아 있다. 단일 부품 모델링과 달리, 어셈블리는 여러 컴포넌트, 기능적 인터페이스, 어셈블리 관계, 공학 원칙, 물리적 일관성에 걸친 조율된 추론을 요구한다. 따라서 실행 가능한 CAD 코드를 직접 생성하는 것만으로는 기계적으로 유효하고 재사용 가능한 어셈블리를 구성하기에 불충분하다. 우리는 자연어로부터 생산 준비 완료 CAD 어셈블리를 생성하기 위한 공리 기반 프레임워크인 AssemCAD를 제시한다. AssemCAD는 어셈블리를 단일체 CAD 코드로 표현하는 대신, 먼저 타입이 지정된 부품, 기하학적으로 뒷받침된 포트, 실행 가능한 mates, 공학 공리로 구성된 공리적 어셈블리 명세(Assembly Specification)를 구축한다. 각 어셈블리 관계는 하나 이상의 공학 원칙에 명시적으로 근거를 두어, 결과 명세를 해석 가능하고 재사용 가능하며 검증 가능하게 만든다. 이 명세를 구현하기 위해 AssemCAD는 결정론적 mate 변환을 통해 심볼릭 어셈블리 관계를 실행하고 구체적인 B-Rep 기하학적 증거를 사용하여 선언된 인터페이스를 검증하는 포트 및 mate 기반 CAD 어셈블리 라이브러리를 도입한다. 이 표현 및 라이브러리를 기반으로, AssemCAD는 표준 및 오픈-월드 기하학 모두에 대해 재사용 가능한 파라메트릭 컴포넌트 팩토리의 온디맨드 합성도 추가로 지원한다. AssemBench에서의 실험은 AssemCAD가 코드 중심 CAD 생성 기준선 대비 어셈블리 보존성과 물리적 유효성을 크게 개선하면서도 다양한 기반 모델 백본에 걸쳐 일반화됨을 보여준다. 공리 기반 어셈블리 추론과 결정론적 기하학 실행을 결합함으로써, AssemCAD는 텍스트-투-CAD를 고립된 부품 생성에서 생산 준비 완료 수준의 기계 어셈블리 설계로 확장한다.
대규모 언어 모델(LLM)의 최근 발전은 컴퓨터 지원 설계(CAD) 자동화를 포함한 엔지니어링 설계 작업 지원에 있어 상당한 잠재력을 보여주었다. 그러나 기존의 LLM 기반 3D CAD 생성 접근 방식은 대부분 기하학적 정밀도(precision)와 명령어 수행 성능에 주로 초점을 맞추며, 창의적 설계 탐험(exploration)이라는 근본적인 측면을 간과하는 경우가 많다. 본 연구는 LLM을 활용하여 고품질의 편집 가능한 CAD 모델을 생성하면서 창의적 설계 대안을 체계적으로 탐험하는 TRIZ 기반 텍스트-투-CAD 프레임워크를 제시한다. 이 프레임워크는 방대한 특허 기록으로부터 인간의 깊은 통찰을 임베딩(embedding)한 발명적 문제 해결 이론(TRIZ)을 LLM 프롬프팅 전략에 통합함으로써, 기술적 모순을 해결하는 혁신적인 CAD 변형을 자율적으로 생성할 수 있도록 한다. 설계 생성, 향상, 최적화의 포괄적인 3단계 파이프라인을 통해 정교하게 작성된 프롬프트로부터 구조적으로 다양한 CAD 모델을 생성한다. 본 연구에서는 처음 두 단계를 구현하고 평가하며, 설계 최적화 단계는 향후 연구 과제로 설정한다. 제품 설계 사례 연구(의자)를 통해 TRIZ 기반 텍스트-투-CAD 프레임워크가 분할, 반중력, 동적 설계, 복합 소재 등의 TRIZ 발명 원리를 체계적으로 적용하여 다양한 창의적 설계 대안을 생성함으로써, 구조적 무결성을 유지하면서 모든 향상된 설계에서 4.0~14.7%의 질량 감소를 달성함을 보여준다. 주요 연구 결과는 체계적 혁신 방법론과 LLM 기반 3D CAD 생성의 통합이 정밀도 중심 합성과 창의성 중심 탐험 간의 간극을 좁히며, AI가 독립적으로 설계 결정을 내리고 엔지니어링 응용 분야의 인간-AI 협력 설계에서 인간의 의사결정을 지원하는 자율 설계 시스템을 향해 나아감을 시사한다.
대규모 언어 모델(LLM)은 최근 자연어 프롬프트에서 파라메트릭 CAD 프로그램(예: CadQuery)을 합성하는 텍스트-투-CAD 시스템을 가능하게 했습니다. 그러나 실제로 기하학적 설명은 명세가 불충분하거나 내부적으로 모순될 수 있습니다. 중요한 치수가 누락되거나 제약 조건이 충돌할 수 있습니다. 하지만 기존 파인튜닝된 모델들은 텍스트가 모호할 때 사용자 지시사항을 수동적으로 따르고 치수에 대해 환각(hallucination)을 일으키는 경향이 있습니다. 이를 해결하기 위해 우리는 코드 합성 전에 명세 문제를 해결하는 텍스트-투-CadQuery 생성을 위한 능동형 에이전트 프레임워크인 ProCAD를 제안합니다. 우리 프레임워크는 프롬프트를 검토하고 자기 일관적인 명세를 생성하기 위해 필요한 경우에만 구체적인 명확화 질문을 하는 능동형 명확화 에이전트와, 명세를 실행 가능한 CadQuery 프로그램으로 변환하는 CAD 코딩 에이전트를 결합합니다. 우리는 선별된 고품질 텍스트-투-CadQuery 데이터셋을 기반으로 코딩 에이전트를 파인튜닝하고, 명확화 궤적(trajectories)에 대한 에이전트 지도 학습(SFT)을 통해 명확화 에이전트를 학습시킵니다. 실험 결과, 능동형 명확화는 상호작용 오버헤드를 낮게 유지하면서 모호한 프롬프트에 대한 강건성을 크게 향상시키는 것으로 나타났습니다. ProCAD는 Claude Sonnet 4.5를 포함한 최첨단 폐쇄형 모델을 능가하며, 평균 Chamfer 거리를 79.9% 감소시키고 무효 비율을 4.8%에서 0.9%로 낮췄습니다. 우리의 코드와 데이터셋은 https://github.com/BoYuanVisionary/Pro-CAD에서 공개적으로 제공됩니다.