AI+CAD走到哪一步？浙大GPT-6 Astra实测报告发布

报告评测对象为GPT-6 Astra，推理强度设为MAX，通过ChatGPT客户端的Codex模式远程连接Linux服务器运行，单轮对话内允许自主迭代，记忆关闭，并设置开网/断网两种对照，未预设任何外部CAD或几何工具。

比配置更关键的是样本与判分方式：样本取自TMCAD等真实机械零件数据集，覆盖简单、中等、复杂三个难度档，单零件与装配体兼有；能力判定不看"像不像"，而是对输出做专业核验——识别结果查正确性与几何精度，生成结果查几何尺寸、实体有效性与结构关系，参数化重建还要额外做编辑验证。

这种以真实场景和结果核验为基准的做法，正是它与以往依赖"玩具数据集"的研究最大的不同。

零件分类任务的不同复杂度样本

报告围绕 CAD 模型从理解、构建到后续修改的主要环节，组织六类典型任务，逐项考察完成情况，并总结已经表现出的能力、仍然存在的困难及其可能原因。

六类任务

基于以上实测，报告判断：

通用大模型的CAD能力已开始显现工程应用价值，处“奇点”阶段。它能够为概念设计提供初步方案，为详细设计提供初始模型。

然而，GPT-6在实体有效性、功能完整性和参数可编辑性仍需专业核验，必要时修正或重建，同时较长的任务执行时间也制约着实际可用性。

其核心结论如下：

• 通用大模型已经能够承担多类 CAD 任务
  

GPT-6不仅能识别零件类别和几何/加工特征，还能根据工程图、图像或文字描述生成三维模型，以及依据功能需求选择设计方案、确定尺寸并做分析校核。

在测试中已出现较复杂零件特征识别，中等复杂模型生成与重建，以及较复杂装配体构建等成功案例。

• 生成模型的实体有效性和功能可行性仍不稳定

GPT-6生成的CAD模型大多在外形上接近目标要求，但内部结构、关键尺寸和特征布局仍可能存在错误。

报告指出，这类问题在单个零件或复杂装配体中都会出现，如孔道可能未按要求连通或隔离，零件之间可能缺少必要的固定和传动连接。这类错误不能仅归因于形状复杂或输入信息不足：简单模型同样发现错误，即使提供完整的目标几何信息，也不能保证重建结果正确。

• 建立三维模型后，仍难保证后续参数化修改正确

对于形状简单、特征少、依赖关系简单的模型，GPT-6已能建立可编辑的参数化模型，支持尺寸修改与特征联动，但对中等和复杂模型，特征依赖关系往往不完整，修改尺寸后可能出现孔口封闭、局部特征消失或零件错位，尚不能稳定生成具有良好可编辑性的参数化模型。

• 能自主检查和修改模型，但纠错能力仍不稳定

GPT-6能够在建模过程中检查结果、发现部分问题并反复修改，但迭代过程中误差曲线经常出现波动，部分修改反而使误差增大。

报告认为GPT-6对误差来源、修改对象及相应操作的判断仍不够准确。同时，几何特征与参数相互依赖，一处修改可能影响多个结构和设计要求。GPT-6尚不能充分识别这些关联关系，也难以预判和控制修改的连带影响，因而可能在修正原有问题时引入新的偏差。

• 建模耗时过长，制约实际可用性

多类建模与重建任务的平均用时达到数十分钟，部分复杂案例超过1小时，最长达3小时41分钟，难以满足设计过程快速反馈、频繁修改的需求——尽管建模效果已有进展，但当前实际可用性仍然有限。

GPT-6在CAD任务中的当前能力与主要不足

报告的发布，对整个CAD产业而言：

第一，"奇点"意味着CAD智能化的赛道逻辑正在改变。 过去CAD智能化依赖专门的特征识别算法、专家规则和领域模型，门槛高、泛化差。GPT-6以通用能力在真实任务上取得突破，说明"通用大模型+专业核验"有望成为新范式。对国产CAD厂商而言，这既是弯道压力，也是换道机会。

第二，短期定位是"设计助手"而非"自动设计师"。 GPT-6能为概念设计提供初步方案、为详细设计提供初始模型，但实体有效性、功能完整性、参数可编辑性都必须经专业核验，必要时修正甚至重建。"人主导、机生成、人把关"将成为常态；工程图生成初始模型、文本生成概念方案、老模型特征识别辅助再设计，是更容易落地的切入点。

第三，传统CAD的核心资产反而更显珍贵。 大模型"只会用简单平面近似"拔模、抽壳、放样，反衬出参数化特征体系、几何内核与约束求解的积累不可替代。未来关键不是"用大模型取代CAD内核"，而是"用大模型驱动CAD内核"——大模型负责意图理解与方案生成，可靠内核负责精确建模与编辑，中间以特征级接口衔接。

用一句话概括这份报告：通用大模型的CAD能力已越过玩具门槛，进入“奇点”阶段，但距离可靠上岗仍隔着实体有效性、功能完整性、参数可编辑性与工程效率四道坎。从看得懂到建得出，从建得出到改得对，再到快得可用，是一条远比想象中更长的路。

对正在拥抱AI的制造业而言，清醒比兴奋更重要——大模型会建模了，但离代替工程师“签字画押”还早。