Progettazione Agente di Macchine Composizionali

Agentic Design of Compositional Machines

October 16, 2025

Autori: Wenqian Zhang, Weiyang Liu, Zhen Liu

cs.AI

Abstract

La progettazione di macchine complesse rappresenta sia un indicatore dell'intelligenza umana che un fondamento della pratica ingegneristica. Alla luce dei recenti progressi nei grandi modelli linguistici (LLM), ci chiediamo se anche essi possano imparare a creare. Affrontiamo questa questione attraverso la lente della progettazione composizionale di macchine: un compito in cui le macchine vengono assemblate da componenti standardizzati per soddisfare esigenze funzionali come la locomozione o la manipolazione in un ambiente fisico simulato. Per supportare questa indagine, introduciamo BesiegeField, un banco di prova basato sul gioco di costruzione di macchine Besiege, che consente la costruzione basata su parti, la simulazione fisica e la valutazione guidata da ricompense. Utilizzando BesiegeField, testiamo i migliori LLM con flussi di lavoro agentici e identifichiamo le capacità chiave necessarie per il successo, tra cui il ragionamento spaziale, l'assemblaggio strategico e il rispetto delle istruzioni. Poiché gli attuali modelli open-source non sono all'altezza, esploriamo l'apprendimento per rinforzo (RL) come percorso di miglioramento: curiamo un dataset di partenza a freddo, conduciamo esperimenti di fine-tuning RL e evidenziamo le sfide aperte all'intersezione tra linguaggio, progettazione di macchine e ragionamento fisico.

English

The design of complex machines stands as both a marker of human intelligence and a foundation of engineering practice. Given recent advances in large language models (LLMs), we ask whether they, too, can learn to create. We approach this question through the lens of compositional machine design: a task in which machines are assembled from standardized components to meet functional demands like locomotion or manipulation in a simulated physical environment. To support this investigation, we introduce BesiegeField, a testbed built on the machine-building game Besiege, which enables part-based construction, physical simulation and reward-driven evaluation. Using BesiegeField, we benchmark state-of-the-art LLMs with agentic workflows and identify key capabilities required for success, including spatial reasoning, strategic assembly, and instruction-following. As current open-source models fall short, we explore reinforcement learning (RL) as a path to improvement: we curate a cold-start dataset, conduct RL finetuning experiments, and highlight open challenges at the intersection of language, machine design, and physical reasoning.