OpenAI发布了 GPT-6 Astra。在覆盖编程、网络安全和计算机使用等广泛能力的发布所包含的基准测试中，有一项直指 3D 几何：BenchCAD，它测试模型能否仅凭几张照片，将 3D 物体重建为可编辑的 CAD 代码，而非静态网格。虽然 OpenAI 的发布中没有一项是围绕 3D 打印展开的，但具体而言，CAD 是每个可打印文件的起点格式，这正是这一结果值得所有从事设计或制造工作的人关注的原因。
OpenAI 将首先向一小部分组织推出 Astra，随后在接下来几天内，向 ChatGPT Plus、Pro、Business 和 Enterprise 用户提供更广泛的访问权限，开发者则可通过 OpenAI API、https://azure.microsoft.com/es-mx 和 https://aws.amazon.com/es/bedrock/ 使用该模型。
Blender 模型。图片来源：OpenAI。
BenchCAD 实际衡量什么
BenchCAD 测试模型能否观察物体的多视图渲染，并通过编写 CAD 代码来重建它，而不是直接生成网格。这一区别本身就很重要：网格是只能观看的形状，而 CAD 代码是可以编辑、参数化并导入标准设计软件的形状。在使用工具的情况下，Astra 在 BenchCAD 的平均体素 IoU 指标上取得了 95.9% 的成绩，该指标衡量重建几何与原始物体的重叠程度。相比之下，OpenAI 上一代模型 GPT-5.6 Sol 的得分为 83.3%，Anthropic的 Claude Fable 5.1 报告得分为 84.3%。OpenAI 还表示，在测试配置中，Astra 达到这一分数的预估 API 成本比 Sol 低约 43%，比 Fable 5.1 低 86%。
OpenAI 还配合这一结果，在基准测试之外进行了一场演示：Astra 在 Blender 中为一座房子建模，并将其转换为 Unreal Engine 5 中可漫游的场景，被定位为设计师和客户在建造前探索布局的一种方式。这与重建单个零部件是不同的应用，但它依托的是 BenchCAD 所衡量的同一种底层能力 —— 将静态参考转化为结构化、可编辑的几何。
BenchCAD 测试。图片来源：OpenAI。
为什么增材制造领域值得关注
一个前沿模型能够从照片生成参数化 CAD，而非一张图片或固定网格，这比以往任何通用模型的结果都更接近增材制造（AM）工作流所需的能力；而 BenchCAD 得分从 83.3% 跃升至 95.9%，表明这一能力正在快速进步。
可编辑、可参数化的 CAD 代码与静态网格相比，是一种截然不同的输出。让模型仅凭几张照片就能可靠地生成这种输出，正是增材制造相关工具通常赖以构建的基石。
该基准测试本身针对的是为评估而制作的干净多视图渲染来测量几何重叠度，因此距离扫描或拍摄的真实零部件，以及最终决定文件能否正确打印的尺寸公差，仍隔着一层。这与其说是局限，不如说是下一个里程碑：现在顺理成章的问题是，当有人将它对准真实物理零部件的不完美照片，而非渲染测试图像时，这一能力表现如何。
AI 驱动的 "扫描到 CAD" 已经是增材制造的行业现状，而非未来
Astra 的 BenchCAD 成绩所落脚的领域，增材制造行业早已在积极开发工具：即 "扫描到 CAD" 这一瓶颈 ——3D 扫描仪产生的网格或点云数据无法直接在 CAD 软件中使用，而将其转换为可编辑、可打印的几何体，传统上需要手动重绘或使用专门的反向工程软件。更快、更便宜地弥合这一差距，正是越来越多专注于增材制造的公司竞相解决的问题。
由 Markforged 的 Greg Mark 和 David Benhaim 创立的 Backflip AI（https://www.backflip.ai/）将整个战略建立在这一瓶颈之上。该公司最新的基础模型将零部件数字化成本从每件约 1500 美元降至 10 美元，其训练目标是 "按照工程师实际工作方式构建 CAD—— 先分解整体几何，再逐特征重建"，生成的输出可直接在标准 CAD 软件中打开，而非静态网格。
硬件厂商也已朝同一方向迈进：创想三维（Creality）与 KVS Ltd 达成合作，让工程师能够在几分钟内扫描并重建损坏的零部件，直接可用于 CNC 加工或 3D 打印。在这一背景下，Astra 的 "照片到 CAD" 成果并不是给增材制造带来一个新问题，而是一个通用模型出现在一场专业增材制造工具早已参与多时的竞赛中。
来源：中国3D打印网编译文章！
0 留言