CADEvolve : Génération réaliste de CAO par évolution de programmes
CADEvolve: Creating Realistic CAD via Program Evolution
February 18, 2026
Auteurs: Maksim Elistratov, Marina Barannikov, Gregory Ivanov, Valentin Khrulkov, Anton Konushin, Andrey Kuznetsov, Dmitrii Zhemchuzhnikov
cs.AI
Résumé
La Conception Assistée par Ordinateur (CAO) permet une modélisation rapide et modifiable pour l'ingénierie et la fabrication. Les récents progrès en IA rendent désormais possible l'automatisation complète de diverses tâches de CAO. Cependant, cette progression est freinée par les données : les corpus publics contiennent principalement des séquences d'esquisse-extrusion, manquent d'opérations complexes, de composition multi-opérations et d'intention de conception, ce qui entrave un réglage fin efficace. Les tentatives de contournement utilisant des modèles de vision et langage (VLM) figés produisent souvent des programmes simples ou non valides en raison de la compréhension limitée des modèles de fondation actuels pour la 3D. Nous présentons CADEvolve, un pipeline et un jeu de données basés sur l'évolution qui, partant de primitives simples et via des modifications et validations guidées par VLM, fait croître progressivement les programmes de CAO vers une complexité de niveau industriel. Le résultat est 8 000 pièces complexes exprimées sous forme de générateurs paramétriques exécutables CadQuery. Après un post-traitement et une augmentation en plusieurs étapes, nous obtenons un jeu de données unifié de 1,3 million de scripts associés à une géométrie rendue et utilisant l'ensemble complet des opérations CadQuery. Un VLM affiné sur CADEvolve obtient des résultats de pointe sur la tâche Image2CAD à travers les benchmarks DeepCAD, Fusion 360 et MCB.
English
Computer-Aided Design (CAD) delivers rapid, editable modeling for engineering and manufacturing. Recent AI progress now makes full automation feasible for various CAD tasks. However, progress is bottlenecked by data: public corpora mostly contain sketch-extrude sequences, lack complex operations, multi-operation composition and design intent, and thus hinder effective fine-tuning. Attempts to bypass this with frozen VLMs often yield simple or invalid programs due to limited 3D grounding in current foundation models. We present CADEvolve, an evolution-based pipeline and dataset that starts from simple primitives and, via VLM-guided edits and validations, incrementally grows CAD programs toward industrial-grade complexity. The result is 8k complex parts expressed as executable CadQuery parametric generators. After multi-stage post-processing and augmentation, we obtain a unified dataset of 1.3m scripts paired with rendered geometry and exercising the full CadQuery operation set. A VLM fine-tuned on CADEvolve achieves state-of-the-art results on the Image2CAD task across the DeepCAD, Fusion 360, and MCB benchmarks.