IndustryForge-27B: A Domain-Enhanced Multimodal Foundation Model for Industrial CAD

📄 arXiv: 2607.28050v1 📥 PDF

作者: Nianchen Deng, Jiaxin Ai, Tao Hu, Shu Zou, Yurui Dong, Siqi Li, Xinyu Cai, Xuemeng Yang, Licheng Wen, Hongbin Zhou, Hairong Zhang, Pinlong Cai, Botian Shi

分类: cs.AI

发布日期: 2026-07-30

备注: 14 pages

💡 一句话要点

提出IndustryForge-27B以解决工业CAD设计自动化问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 工业CAD 多模态模型 自动化设计 参数建模 知识共享 模型微调 性能提升

📋 核心要点

  1. 现有的通用多模态模型在工业CAD设计和制造任务中表现不足，无法满足特定需求。
  2. 本文提出IndustryForge-27B，通过整合多个工业CAD子语料库并采用多任务微调策略，提升模型性能。
  3. 实验结果显示，IndustryForge-27B在CAD领域基准测试中平均提升33.65个百分点，超越了现有强模型。

📝 摘要（中文）

工业CAD设计与制造的自动化对多模态基础模型提出了独特的要求：模型必须能够理解工程图纸和3D几何截图，编写正确的参数建模脚本和Windows COM API代码，并涵盖从单个零件到装配体的全范围。通用多模态模型在这些任务上表现不足，而单任务微调又过于狭窄，无法支持上层代理的多样化调用。本文在Qwen3.5-VL-27B的基础上构建了IndustryForge-27B，通过策划和整合六个工业CAD子语料库，总计约52,000个多模态样本，并采用统一的多任务SFT训练方案。实验结果表明，IndustryForge-27B在四个CAD领域基准测试中平均提升了33.65个百分点，并在所有四个测试中超越了强大的闭源模型GPT-5.4。

🔬 方法详解

问题定义：本文旨在解决工业CAD设计自动化中的多模态理解和生成问题。现有的通用模型无法有效处理工程图纸、3D几何图形及相关代码生成的复杂性。

核心思路：通过构建IndustryForge-27B，整合多个工业CAD相关的子语料库，采用统一的多任务微调方法，以提升模型在特定领域的表现。

技术框架：模型基于Qwen3.5-VL-27B，整合了六个子语料库，包括CAD视觉问答、参数CAD代码、装配级CAD代码及多个COM子语料库，形成一个多任务学习框架。

关键创新：IndustryForge-27B的创新在于其针对工业CAD的多模态数据整合和统一训练策略，使其在特定任务上显著超越通用模型和单任务微调模型。

关键设计：模型的训练过程中采用了多任务学习的损失函数设计，确保不同任务间的知识共享，同时优化了网络结构以适应多模态输入的特性。具体参数设置和网络结构细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在四个CAD领域基准测试中，IndustryForge-27B平均提升了33.65个百分点，超越了闭源模型GPT-5.4。此外，在十一项通用能力基准测试中，模型保持了基线性能，并略有提升，显示出良好的知识保留能力。

🎯 应用场景

IndustryForge-27B可广泛应用于工业设计、制造自动化及相关软件操作等领域。其统一的多模态理解能力将为下游工业代理项目提供基础，推动从CAD设计到工业软件操作的全栈解决方案的发展，具有重要的实际价值和未来影响。

📄 摘要（原文）

Automating industrial CAD design and manufacturing places distinctive demands on multimodal foundation models: the model must see engineering drawings and 3D geometry screenshots, write correct parametric-modelling scripts and Windows COM API code, and cover the full range from single parts to assemblies. General-purpose multimodal models fall short on these tasks, while single-task fine-tuning is too narrow to support the diverse calls that upper-layer agents issue. We build IndustryForge-27B on top of Qwen3.5-VL-27B by curating and integrating six industrial-CAD sub-corpora totalling $\sim$52k multimodal samples---CAD Visual QA (CAD-VQA), parametric CAD code (text2cadquery), assembly-level CAD code (text2cadquery-assembly), and three COM sub-corpora for Inventor / SolidWorks (com_2d / com_3d / com_assembly)---and training with a unified multi-task SFT recipe. Across four CAD-domain benchmarks IndustryForge-27B lifts the base model by $+33.65$~pp on average and outperforms the strong closed-source model GPT-5.4 on all four; across eleven general-capability benchmarks it retains, and slightly improves upon, the base model ($+1.56$~pp mean, no catastrophic forgetting). IndustryForge-27B will serve as the common substrate for downstream industrial-agent projects, providing a unified starting point for a full-stack industrial agent that spans from CAD design to industrial-software operation, from parts to assemblies, and from single-shot generation to closed-loop self-improvement.