MIT 透過餵入模型自身「差一點就對」的案例，教出一個能生成 CAD 的 AI

工程師日益使用視覺語言模型，把 2D 設計草圖轉換成可生成 3D 模型的 CAD 程式碼，以便進行模擬與測試——這一步通常讓他們能對設計進行虛擬撞擊測試或壓力測試。但既有模型產生的 CAD 程式往往過於簡化，不敷實際使用；研究人員將核心瓶頸追溯到缺乏多樣且高品質的 CAD 訓練資料，而非模型架構。

標準的資料擴增做法是隨機擾動既有範例來產生更多訓練樣本——調整顏色、大小、形狀。由 MIT 領軍的團隊改為打造 GIFT：一套專門根據某個模型當前卡關之處來生成新訓練資料的系統。它會針對某個 CAD 生成問題，平行地對模型多次取樣，執行每個生成的程式以檢查正確性，並把問題分成三類——總是答對、總是答錯，以及大約答對一半。

「總是答對」的問題已沒有什麼可教給模型，GIFT 會將其捨棄。「大約答對一半」的問題正是 GIFT 聚焦之處：它把這些差一點就對的嘗試修正為可用的解法，並將修正結果與既有的成功案例一併加入新的訓練集。此流程透過推論時擴展（inference-time scaling）運行，因此使用者可自行決定要投入多少運算資源，而不必從頭重新訓練底層模型，且整個迴圈無需人工修正模型的錯誤。

在與其他資料擴增方法的對照測試中，經 GIFT 訓練的模型所產生的 CAD 程式更貼近真實形狀，且僅使用約 20% 的運算量。第一作者 Giorgio Giannone 描述其目標使用情境：把 GIFT 指向一個表現不佳的 CAD 模型，設定運算預算，然後讓系統把模型自身的錯誤轉化為下一輪的訓練資料。

僅從模型大約答對一半的問題生成訓練資料

濾除模型已能 10/10 次解出的問題，可避免把擴增浪費在已無剩餘可學訊號的範例上。

濾除模型總是失敗的問題，可避免圍繞毫無部分能力可作為基礎的案例來建構資料——五成成功率的區間，正是稍微推一把最能可靠地把差一點就對轉為成功的地方。

透過執行生成的 CAD 程式碼來檢查正確性，而非以相似度啟發式方法評分，讓 GIFT 取得真實基準訊號，判斷哪些嘗試算得上值得修正的差一點就對。

在已訓練完成的模型上，透過推論時擴展來執行擴增，使運算成本可依使用者預算調整，而無需重新訓練整個模型。

當模型的瓶頸在於通用訓練資料時，應把新資料瞄準其自身的邊界案例，也就是它部分答對的問題，因為這些案例每個範例所帶有的可學訊號最多。

這項研究由 MIT 的 DeCoDE Lab 領軍，與 MIT-IBM Computing Research Lab 以及目前任職於 Red Hat 和 IBM 的研究人員合作，已在國際機器學習會議（International Conference on Machine Learning）上發表。團隊的下一步是擴展 GIFT，使其除了幾何準確度外，也能針對所生成 3D 模型的可製造性進行最佳化，並把此框架應用於更大的模型及更廣泛的 CAD 生成任務。本研究部分由 MIT-IBM Computing Research Lab 資助。