Test-Time Scaling for CAD Generation via Verifier-Free Consensus Selection

📄 arXiv: 2608.09706v1 📥 PDF

作者: Aaron Haag, Altay Kaçan, Bertram Fuchs, Oliver Lohse

分类: cs.CE, cs.LG

发布日期: 2026-08-10

💡 一句话要点

提出无验证者共识选择以优化CAD生成

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

关键词: CAD生成 共识选择 无验证者 几何一致性 拓扑一致性 大型语言模型 计算机辅助设计

📋 核心要点

  1. 现有的CAD生成方法在生成过程中缺乏真实模型作为参考，导致候选样本的准确性不足。
  2. 本文提出了一种3D CAD共识选择方法，通过候选池内部的一致性来选择最佳候选者，无需外部验证者。
  3. 实验结果表明，几何共识在所有几何指标上均优于现有验证者，且在随机选择的基础上减少了1-10%的Chamfer距离。

📝 摘要（中文）

大型语言模型能够根据自然语言描述生成参数化CAD程序（文本到CAD生成），但单一样本往往不准确。增加测试时计算通过采样多个候选者来提高准确性，但在生成时没有真实模型可供参考。现有系统通常需要一个单独的验证者来选择候选者。本文探讨候选池本身是否提供足够的信号以实现有效选择，并提出了一种无验证者的替代方案。我们引入了3D CAD共识选择方法，通过采样N个参数化CAD程序并编译为3D模型，返回与其他候选者一致性最高的候选者。该方法无需训练，兼容现有CAD代理，并在多个测试中显示出显著的性能提升。

🔬 方法详解

问题定义：本文旨在解决在CAD生成过程中缺乏有效候选者选择机制的问题。现有方法依赖外部验证者进行候选者筛选，增加了复杂性和计算成本。

核心思路：论文提出的核心思路是利用候选池内部的几何和拓扑一致性来选择最佳候选者，避免了对外部验证者的依赖，从而简化了流程并提高了效率。

技术框架：整体架构包括三个主要阶段：首先，采样N个参数化CAD程序；其次，将这些程序编译为3D模型；最后，基于几何或拓扑一致性选择与其他候选者一致性最高的模型。

关键创新：最重要的技术创新在于提出了无验证者的共识选择方法，通过内部一致性来提高选择的准确性，与现有方法的依赖外部验证者形成鲜明对比。

关键设计：在设计中，几何共识和拓扑共识的评估指标被引入，以优化选择过程。具体参数设置和损失函数的设计未在摘要中详细说明，可能需要进一步的文献查阅。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，几何共识在所有三项几何指标上均优于现有验证者，且在随机选择的基础上，Chamfer距离减少了1-10%。这一结果表明，候选池内部的一致性可以有效提升CAD生成的准确性。

🎯 应用场景

该研究的潜在应用领域包括计算机辅助设计、建筑设计和工程模拟等。通过优化CAD生成过程，可以显著提高设计效率和准确性，降低设计错误的风险，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Large language models can write parametric CAD programs from a natural-language description (text-to-CAD generation), but a single sample is often wrong. Increasing test-time compute by sampling multiple candidates only helps if a good candidate can be identified, yet no ground-truth model is available at generation time. Existing systems often require a separate verifier, such as a vision-language judge, to select among candidates. We investigate whether the candidate pool itself provides enough signal for effective selection and a verifier-free alternative. We introduce 3D CAD consensus selection, hereafter consensus selection: sample $N$ parametric CAD programs, compile them to 3D models, and return the candidate that agrees most with the rest of the pool. The method is training-free and compatible with existing CAD agents. We investigate geometric and topological notions of agreement, each of which improves its corresponding evaluation metric. On the exact candidate pools of a state-of-the-art CAD generation method, geometric consensus improves all three geometric metrics over the method's verifier, while topological consensus matches it on topology. Across every tested LLM and prompt variant, geometric consensus also improves geometric accuracy over random selection from the same pool, reducing Chamfer distance by $1-10\%$.