/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-2B-Instruct
Библиотека
transformers
Опубликована
26 сен 2026

Zero-To-CAD-Qwen3-VL-2B

Описание изображенийИзображение → текст3 профессии

Производная модели ADSKAILab/Zero-To-CAD-Qwen3-VL-2B. Модель Autodesk Research, которая по восьми изображениям объекта генерирует исполняемый код CadQuery для восстановления его параметрической CAD-геометрии.

23скачиваний за 30 дней0лайковвеса обновлены26 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание текста» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Карточка модели r3lax/Zero-To-CAD-Qwen3-VL-2B на Hugging Face совпадает с карточкой ADSKAILab/Zero-To-CAD-Qwen3-VL-2B, поэтому описание составлено по ней.

Zero-to-CAD Qwen3-VL-2B — модель компьютерного зрения и языка, разработанная Autodesk Research и дообученная на базе Qwen/Qwen3-VL-2B-Instruct. Она принимает восемь изображений одного объекта: четыре вида спереди и четыре сзади, отрендеренных в разрешении 256×256 пикселей, и генерирует исполняемый код Python для CadQuery, описывающий геометрию объекта.

Модель предназначена для восстановления редактируемых параметрических CAD-моделей по нескольким изображениям, а также для экспериментов с генерацией CAD-программ и конвейеров трёхмерной реконструкции. Обучение проводилось на синтетическом наборе Zero-to-CAD 1M: 979 633 обучающих примерах; реальные CAD-файлы не использовались. В тесте Zero-to-CAD указана доля успешных генераций 82,1%, а на наборе ABC, не входившем в распределение обучения, — 61,0%.

Модель ожидает восемь чистых видов объекта и может хуже работать с фотореалистичными или зашумлёнными изображениями. Сложные многокомпонентные сборки могут не помещаться в контекст длиной 4 096 токенов. Она генерирует код CadQuery; для получения других CAD-форматов потребуется дополнительная обработка. Лицензия — Apache-2.0.

Сценарии применения

  • восстановление CAD-модели детали по нескольким рендер-вида́м
  • генерация кода CadQuery по изображениям объекта
  • создание редактируемой параметрической геометрии из видов детали
  • эксперименты с реконструкцией 3D-объектов по изображениям
  • интеграция генерации CAD-кода в конвейер визуализации

Ограничения

Модель обучалась только на синтетических данных и ожидает восемь чистых изображений видов объекта размером 256×256; работа с фотореалистичными, шумными или иначе организованными входами не подтверждена. Сложные сборки могут превышать контекст в 4 096 токенов, а для экспорта в форматы помимо CadQuery нужна дополнительная обработка.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Zero-to-CAD — Qwen3-VL-2B

A vision-language model fine-tuned to reconstruct executable CAD programs from multi-view images.

Zero-to-CAD: Agentic Synthesis of Interpretable CAD Programs at Million-Scale Without Real Data

Mohammadmehdi Ataei, Farzaneh Askari, Kamal Rahimi Malekshan, Pradeep Kumar Jayaraman

Autodesk Research

Related Resources

ResourceLink
📄 PaperZero-to-CAD: Agentic Synthesis of Interpretable CAD Programs at Million-Scale Without Real Data
📦 Zero-to-CAD 1M (full dataset)ADSKAILab/Zero-To-CAD-1m
📦 Zero-to-CAD 100K (curated subset)ADSKAILab/Zero-To-CAD-100k
🤖 Fine-tuned Model (this model)You are here
🗂️ CollectionADSKAILab/Zero-To-CAD

Model Description

This model is a fully fine-tuned Qwen3-VL-2B-Instruct that takes 8 rendered views of a 3D shape (4 front, 4 rear at 256×256) and generates executable CadQuery Python code that reproduces the geometry.

The model was trained entirely on synthetic data from Zero-to-CAD 1M (979,633 training samples) — no real-world CAD files were used.

Key Results

BenchmarkSuccess RateMean IoUMedian IoUP90 IoU
Zero-to-CAD test82.1%0.7470.8470.999
ABC (out-of-distribution)61.0%0.3770.3030.854

Comparison with Baselines

ModelZero-to-CAD SuccessZero-to-CAD Mean IoUABC SuccessABC Mean IoU
This model82.1%0.74761.0%0.377
GPT-5.2 High72.2%0.48566.2%0.344
GPT-5.2 Medium71.1%0.49562.6%0.346
Qwen3-VL-2B (base)6.6%0.1845.4%0.131

Quick Start

Inference

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
from datasets import load_dataset
from PIL import Image
import io


model_name = "ADSKAILab/Zero-To-CAD-Qwen3-VL-2B"
model = Qwen3VLForConditionalGeneration.from_pretrained(model_name, torch_dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained(model_name)

# Load 8 rendered views from the dataset
ds = load_dataset("ADSKAILab/Zero-To-CAD-1m", split="train", streaming=True)
sample = next(iter(ds))
views = [
    Image.open(io.BytesIO(sample[f"image_{i}"])) if isinstance(sample[f"image_{i}"], bytes)
    else sample[f"image_{i}"]
    for i in range(8)
]

# Or load 8 views from local files:
# views = [Image.open(f"view_{i}.png") for i in range(8)]

messages = [
    {
        "role": "system",
        "content": "You are a CAD code assistant. Given multiple rendered views of a 3D shape, generate clean, well-structured CadQuery Python code that accurately reproduces the geometry."
    },
    {
        "role": "user",
        "content": [
            *[{"type": "image", "image": view} for view in views],
            {"type": "text", "text": "Generate CadQuery code for this shape."}
        ]
    }
]

text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = processor(text=text, images=views, return_tensors="pt").to(model.device)

output_ids = model.generate(**inputs, max_new_tokens=4096)
output_text = processor.batch_decode(output_ids[:, inputs.input_ids.shape[1]:], skip_special_tokens=True)[0]

print(output_text)

Execute the generated code

import cadquery as cq

exec(output_text)
# `result` contains the reconstructed CadQuery solid

# Export
cq.exporters.export(result, "output.step")
cq.exporters.export(result, "output.stl")

Training Details

HyperparameterValue
Base modelQwen3-VL-2B-Instruct
Training modeFull fine-tuning
Max sequence length4,096 tokens
OptimizerAdamW
Learning rate1 × 10⁻⁴
Weight decay0.0
LR schedulerCosine
Warmup ratio0.03
Attention dropout0.1
GPUs16 × NVIDIA H100 80GB
Per-GPU batch size1
Effective batch size16
Epochs3
Precisionbfloat16
Distributed strategyDDP

Evaluation Protocol

  • Metric: Voxelized IoU at 64³ resolution between generated and ground-truth solids
  • Rotational alignment: Maximum IoU over 45° rotation increments
  • Success rate: Percentage of generations producing valid, executable CadQuery code

Intended Uses

  • Image-to-CAD reconstruction — reconstruct editable parametric CAD from rendered views
  • Research baseline — starting point for Image-to-Sequence CAD generation research
  • Integration — combine with rendering pipelines for end-to-end 3D reconstruction

Limitations

  • Trained on synthetic data only; may struggle with photorealistic or noisy inputs
  • Expects 8 clean rendered views at 256×256 — other configurations are untested
  • Outputs CadQuery code only; other CAD formats require post-processing
  • Complex multi-part assemblies may exceed the 4,096 token context window

Citation

If you use this model, please cite:

@misc{ataei2026zerotocadagenticsynthesisinterpretable,
  title={Zero-to-CAD: Agentic Synthesis of Interpretable CAD Programs at Million-Scale Without Real Data}, 
  author={Mohammadmehdi Ataei and Farzaneh Askari and Kamal Rahimi Malekshan and Pradeep Kumar Jayaraman},
  year={2026},
  eprint={2604.24479},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2604.24479}
}

License

This model is released under the Apache License 2.0.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
d5f4d8f

0 моделей