核心发现
方法论
Arko-T采用基于Transformer的序列生成架构，结合设计状态的形式化定义，将自然语言输入映射到可执行的参数化CAD程序。模型在1.3百万构建程序数据上进行两阶段训练：预训练阶段吸收CAD相关语言知识，微调阶段利用执行引擎验证设计有效性。通过代码归一化，明确特征、参数、约束、构建历史和附件关系，确保输出既具几何准确性，又便于编辑。模型在多任务、多域数据中学习复杂机械特征的组合，强调设计意图的表达与保持。
关键结果
- 在12项指标中，Arko-T在8项中排名第一，3项第二，平均成本仅为其他前沿模型的十分之一。在Chamfer Distance（CD）指标上，Arko-T在四个测试集均优于对比模型，CD值分别为2.46、2.33、4.92、5.02，显示其生成的几何形状与真实模型的接近度极高。
- 在几何一致性指标IoU上，Arko-T在两个L2测试集达到0.801和0.780，略低于Gemini-3.5-flash的0.883，但在复杂多特征设计中表现优异。无效率方面，Arko-T在L1任务中仅为4.4%，显著优于其他模型，表明其生成程序的稳定性和可靠性。
- 在推理速度和成本方面，Arko-T在本地GPU上每项仅需0.41秒，总成本约0.285美元，远低于API调用，显示其在工业级应用中的高效性和经济性。
研究意义
本研究突破了传统文本到3D模型的局限，将目标转向可编辑、参数化的设计实体，极大增强了工程师的设计效率和灵活性。通过对设计状态的形式化定义，模型不仅生成几何形状，更保留设计意图和构建逻辑，为工业制造、产品设计等领域提供了强有力的技术支撑。这一方法弥补了以往模型在特征表达和编辑能力上的不足，推动了从视觉逼真到结构化设计的转变。
技术贡献
Arko-T的核心技术创新在于引入设计状态的形式化定义，将特征、参数、约束、构建历史和附件关系系统化，确保模型输出具备可编辑性和几何一致性。结合代码归一化与执行引擎监督，模型在中等规模下实现了对复杂机械特征的高质量生成。其训练流程创新性地结合了大规模数据、执行验证和特征表达，显著提升了模型的结构理解能力。
新颖性
该工作首次将自然语言直接映射到结构化、可编辑的CAD设计状态，突破了以往仅关注几何外观或代码可执行性的局限。通过正式定义设计状态和引入归一化策略，模型实现了特征丰富、参数可调、构建逻辑清晰的设计生成，标志着文本到工程设计的重大创新。
局限性
- 模型在处理复杂旋转、扫掠路径等操作时仍存在精度不足的问题，主要源于空间推理能力有限。
- 对多零件装配和多模态输入（如草图、图片）支持尚未实现，限制了实际工程应用的广泛性。
- 训练成本虽低于API调用，但大规模训练仍需大量GPU资源，限制了普及推广。
未来方向
未来将扩展多模态输入能力，结合草图、图片等信息增强设计表达；同时优化空间推理能力，提高复杂操作的准确性。还计划实现多零件装配和参数化编辑的端到端支持，推动模型在工业设计和制造中的实际应用。
AI 总览摘要
Arko-T代表了文本到结构化3D设计的最新进展，突破了传统模型仅能生成形状或代码的局限。通过正式定义设计状态，模型能够将自然语言直接转化为可编辑、参数化的CAD程序，极大提升了工程设计的效率与灵活性。该模型基于Transformer架构，结合特征、参数、约束、构建历史和附件关系的形式化表达，确保输出不仅几何准确，还具备良好的编辑性。
在大规模训练数据的支撑下，Arko-T在多项指标上优于七个前沿大模型，尤其在几何距离和有效率方面表现出色。其推理速度快、成本低，适合工业应用。实验还显示，模型能处理复杂、多特征设计，具备良好的泛化能力，甚至在训练分布之外的任务中表现出色。
这一技术突破不仅推动了工程设计自动化，还为未来多模态、端到端的智能设计系统奠定基础。尽管存在空间推理和多零件装配的挑战，Arko-T的成功展示了中等规模训练在结构化设计生成中的潜力，为工业界提供了实用的解决方案。
深度分析
研究背景
随着深度学习的发展，3D生成技术逐渐从纯视觉逼真向结构化设计转变。早期工作如DreamFusion和Magic3D主要关注外观渲染，缺乏参数化特征表达。CAD结构学习方面，ABC、DeepCAD等尝试将几何与构建历史结合，但多依赖静态数据，难以实现自然语言输入。文本到CAD代码的研究（如Text2CAD、CAD-Llama）强调代码的可执行性，但忽视了设计意图的表达和编辑能力。现有方法在几何逼真与结构化表达之间存在明显断层，限制了工业应用的推广。
核心问题
核心问题在于如何将自然语言准确映射到具有特征、参数、约束和构建历史的结构化CAD设计状态。现有模型多关注几何外观或代码可运行性，难以实现设计意图的完整表达和后续编辑。缺乏正式定义设计状态的框架，使得生成的程序难以保证几何准确性和可编辑性，限制了工程师的实际操作能力。这一瓶颈阻碍了文本驱动的自动化设计在工业中的落地。
核心创新
本研究提出了设计状态的形式化定义，将特征、参数、约束、构建历史和附件关系作为核心组成部分，确保模型输出具备完整的设计意图和可编辑性。引入代码归一化策略，标准化程序风格，强化模型对特征表达的学习能力。结合执行引擎的监督，模型在中等规模下实现了高质量、多特征的结构化设计生成。创新在于将自然语言直接映射到结构化设计状态，突破了以往仅关注几何或代码的限制，推动了工程设计自动化的边界。
方法详解
- �� 输入：自然语言设计请求。
- �� 预处理：将CAD数据转换为标准化的Build123d程序，提取特征、参数、约束、构建历史和附件关系。
- �� 模型架构：基于Transformer的序列生成模型，结合设计状态的形式化定义。
- �� 训练流程：
- 预训练：在CAD相关文档和API描述上进行，吸收专业术语和设计逻辑。
- 微调：在1.3M配对数据上进行，利用执行引擎验证程序有效性。
- �� 生成：模型根据自然语言生成参数化CAD程序。
- �� 执行：通过Build123d引擎运行程序，得到几何模型和设计参数。
- �� 反馈：验证几何有效性，优化模型性能。
实验设计
使用Text2CAD-Bench基准，包含400+CAD提示，涵盖单零件和多零件设计。对比模型包括七个前沿大模型，指标包括无错误率、Chamfer Distance（CD）、Intersection over Union（IoU）等。模型在不同任务和复杂度下进行评估，参数设置为batch 256，训练一轮，利用GPU集群进行。还进行了消融实验，验证设计状态归一化的效果。
结果分析
Arko-T在所有测试指标中表现优异，CD值最低（2.46、2.33、4.92、5.02），IoU最高（0.801、0.780），无错误率最低（4.4%）。在推理速度上，每项仅需0.41秒，总成本极低（0.285美元），显示出极强的实用性。模型还能处理复杂多特征设计，具有良好的泛化能力，超越了大部分通用大模型的表现。
应用场景
可广泛应用于工业设计、快速原型制作、个性化定制等场景。只需输入自然语言描述，即可生成参数化、可编辑的CAD模型，极大缩短设计周期，降低成本。未来结合多模态输入，将支持更复杂的装配设计和多零件协同优化，推动智能制造的发展。
局限与展望
模型在处理复杂旋转和路径操作时仍存在精度不足的问题，空间推理能力有限。此外，目前仅支持单零件设计，不支持多零件装配和多模态输入。训练成本较高，未来需优化模型结构和推理效率，以满足工业级应用需求。
通俗解读 非专业人士也能看懂
想象你在厨房做饭，菜单上写着你要做一道菜。以前的AI就像只会帮你准备食材，告诉你怎么切菜，但不能帮你调味或摆盘。而Arko-T就像一个聪明的厨师，不仅知道怎么做出这道菜，还能根据你的描述，自动调配调料、摆盘，让菜看起来漂亮又好吃。它能理解你说的每一句话，把你的想法变成厨房里的具体步骤，最后做出一份完整的菜肴。这样，设计师只要用自然语言描述需求，Arko-T就能帮他们自动生成完整的、可调节的3D模型，节省了大量时间和精力。
简单解释 像给14岁少年讲一样
想象你在玩一个超级酷的积木游戏，你告诉它你想建一座桥，里面有很多不同的部分，比如支柱、桥面和栏杆。以前的程序就像只会拼简单的积木块，不能做出复杂的桥。而Arko-T就像一个聪明的搭建专家，它能听懂你说的话，把你的想法变成详细的拼装步骤，然后用积木搭出一座漂亮的桥。它不仅知道每个部分怎么拼，还能调整大小和形状，让你可以随时改变设计。这样，你只要用简单的话描述，Arko-T就能帮你变出一座完整、漂亮、可以自己调节的桥，超级酷！
术语表
Design State（设计状态）
一种正式定义的结构化描述，包括特征、参数、约束、构建历史和附件关系，代表一个完整的CAD设计。
论文中用来确保模型输出的设计具有可编辑性和几何一致性。
Build123d
一种参数化CAD建模工具，用于生成和验证设计程序。
模型训练和验证的执行环境。
Chamfer Distance（CD，切角距离）
衡量两个3D形状表面差异的指标，数值越小表示越接近。
用于评估生成模型的几何逼真度。
Intersection over Union（IoU，交并比）
衡量两个体积重叠程度的指标，值越高越好。
评估生成形状与真实模型的匹配程度。
Code Normalization（代码归一化）
将不同风格的CAD程序转换为标准格式，突出特征、参数和构建逻辑。
确保模型学习到的结构信息一致性。
开放问题 这项研究留下的未解疑问
- 1 当前模型在复杂空间旋转和路径操作中的空间推理能力仍有限，未来需增强模型的空间理解和推理能力，以应对更复杂的设计任务。
应用场景
近期应用
工业设计自动化
利用Arko-T快速生成符合需求的参数化CAD模型，缩短设计周期，降低成本，适用于机械、电子等行业。
个性化产品定制
根据客户自然语言描述，自动生成定制化的3D模型，提升用户体验和生产效率。
远期愿景
智能制造与协同设计
结合多模态输入，实现多零件装配和多阶段优化，推动工业4.0的智能制造革命。
原文摘要
Text-to-3D systems can now synthesize a model from a single sentence, yet the result is a shape to render, not a design to edit. We present Arko-T, a 4B-parameter text-to-design model that maps natural-language intent directly into executable, parametric CAD programs. Rather than optimizing for code executability alone, Arko-T aligns every stage of the pipeline to a formal notion of design state, so that data curation, code normalization, and execution-grounded supervision all work to preserve the features, parameters, and construction logic that make a CAD artifact editable. Benchmarked against seven frontier LLMs across 12 metrics, Arko-T attains the best score on 8 and the second-best on 3 more, at roughly one-tenth the per-benchmark cost. The results suggest that targeted design-level training at moderate scale can match frontier general-purpose models on structured CAD generation.