核心发现
方法论
本文提出一种无需验证器的3D CAD生成后处理方法，基于采样N个参数化CAD程序，编译成3D模型后，通过几何和拓扑一致性指标进行模型选择。几何一致性采用对点云的对称Chamfer距离衡量，拓扑一致性则利用欧拉特征值进行判别。该方法无需训练，直接在候选池上操作，结合最小贝叶斯风险解码思想，选出最具代表性的模型。实验中，采用state-of-the-art的CAD生成模型的候选池，验证其在几何指标（如Chamfer距离、IoU）上的优越性，显著优于传统验证器，平均Chamfer距离降低1-10%。
关键结果
- 在CADPrompt基准测试中，几何共识选择提升所有几何指标（CD、HDD、IoU），Chamfer距离平均下降约8%，且在拓扑一致性方面与验证器表现持平，Tcorr提升至84.9%。在候选池规模N=9时，效果趋于饱和，超出随机选择10%以上。多模型、多提示变体下，几何共识均优于随机，且在不同LLM（如Gemma 12B、gpt-oss-20B）中表现一致。
研究意义
该方法突破了传统依赖验证器的限制，提供一种简洁高效的候选模型筛选策略，极大降低了模型误差，提升了生成的几何和拓扑质量。对CAD自动化设计、工业制造等场景具有重要意义，推动AI在工程设计中的应用普及。其无需额外训练，兼容现有CAD生成系统，为未来大规模自动化设计提供技术基础。
技术贡献
创新点在于引入基于模型属性的共识选择机制，结合几何点云距离和拓扑欧拉特征，提出无验证器的后处理方案。该方法利用模型编译的显式3D特性，实现对候选模型的直接比较，突破了传统验证器依赖的局限。算法核心为多指标融合的最小贝叶斯风险解码，兼具理论保证和工程实用性，为模型选择提供新思路。
新颖性
首次提出基于模型几何和拓扑一致性的无验证器候选筛选策略，充分利用3D模型的显式属性，避免依赖外部视觉或推理模型。相较于现有的验证器方法，此方案简洁高效，且在多个指标上优于验证器，展示了模型一致性在生成质量中的潜力。
局限性
- 该方法对候选池的质量敏感，若所有模型均存在共同错误，可能导致错误被误认为一致性高而被选中；
- 拓扑一致性指标较粗糙，难以捕捉细节差异，影响某些复杂模型的判别效果；
- 在极端情况下，模型偏离较大时，几何距离可能失去判别能力。
未来方向
未来可结合局部特征或区域级别的比较机制，提升细节识别能力。探索多指标融合策略，结合尺寸、制造性、仿真结果等多维信息，增强模型的判别能力。此外，研究序列生成与逐步优化中的共识机制，推动模型在复杂场景中的应用扩展。
AI 总览摘要
本研究提出一种无验证器的3D CAD生成后处理策略，名为共识选择（consensus selection），旨在提升由大规模语言模型（LLMs）生成的参数化CAD程序的质量。传统方法依赖外部验证器进行候选筛选，存在模型偏差和计算成本高的问题。本文创新性地利用候选模型的几何和拓扑属性，通过点云距离和欧拉特征进行一致性评估，从而在不引入额外训练的情况下，直接在候选池中筛选出最具代表性的模型。
具体方法包括：采样N个候选程序，将其编译为3D模型，计算模型的几何点云距离和拓扑欧拉特征，利用最小贝叶斯风险解码原则，选择模型中最符合整体一致性的候选。实验在CADPrompt基准上验证，结果显示该方法在Chamfer距离、IoU等几何指标上优于传统验证器，平均Chamfer距离降低达10%。此外，候选池规模的增加带来性能提升，但在N=9左右趋于饱和。
该技术的意义在于简化CAD生成流程，减少对外部验证模型的依赖，提升生成模型的几何和拓扑一致性。其无需训练、易于集成，适用于现有CAD自动化系统，有望推动工业设计、制造等领域的智能化升级。未来可结合局部特征、多指标融合，进一步优化模型选择策略，拓展到多模态、多任务场景。
总之，本文提供了一种高效、可靠的模型筛选方案，为大规模自动化CAD设计提供了新的技术路径，具有重要的学术价值和工业应用前景。
深度解读
原文摘要
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 $1-10\%$.