非 Transformer 架构结构化 CAD 生成：SGS-1 的工程化参数与约束求解
聚焦 Spectral Labs SGS-1 模型，解析其非 Transformer 架构下实现参数化输出与几何约束求解的工程化路径与关键参数。
在生成式 AI 浪潮席卷各行业的当下，计算机辅助设计（CAD）领域正经历一场静默而深刻的变革。长期以来，Transformer 架构凭借其强大的序列建模能力，成为 CAD 操作序列生成任务的主流选择，从 DeepCAD 到 SkexGen，无不依赖其注意力机制来捕捉复杂的建模依赖关系。然而，这种“万能钥匙”并非没有代价——高昂的计算开销、对大规模标注数据的强依赖，以及在精确几何约束求解上的天然短板，都限制了其在工业级工程设计中的直接应用。正是在这一背景下，Spectral Labs 于 2025 年 9 月推出的 SGS-1 模型，以其明确的“非 Transformer”架构宣言，为我们打开了一扇通往更高效、更可控、更贴近工程实践的 CAD 生成新世界的大门。
SGS-1 的核心价值主张并非追求生成模型的通用性，而是剑指“结构化”与“工程化”。这意味着它生成的不是一个模糊的 3D 点云或网格，而是一个可以直接导入 SolidWorks、Fusion 360 等主流 CAD 软件进行后续编辑、仿真和制造的、包含完整建模历史和参数化特征的结构化文件。要实现这一点，模型必须内嵌对工程语义和几何规则的深刻理解。虽然官方尚未披露其底层架构的完整细节，但我们可以从其产品定位和行业通用的最佳实践中，逆向推导出其实现路径中的关键工程化参数与约束求解策略。
首先，参数化输出是 SGS-1 的基石。与直接回归连续浮点数不同，工程实践表明，对设计参数进行离散化和量化是保证生成结果几何精确性和可编辑性的关键。一个可落地的策略是，将所有连续参数（如草图中的坐标、拉伸距离、旋转角度）限制在一个标准化的边界框内（例如 2x2x2 单位立方体），并将其量化为 256 个离散级别。这看似简单的操作，实则蕴含深意：它将回归问题转化为分类问题，极大降低了模型预测的方差，有效避免了因微小数值误差导致的几何失效（如线条不闭合、面片自相交）。在 SGS-1 的上下文中，我们可以合理推测其采用了类似的量化方案，其关键工程参数可能包括：量化粒度（如 8-bit 或 10-bit）、归一化范围（模型空间的最大边界）、以及针对不同参数类型（位置、尺寸、角度）的独立量化表。这些参数的设定，直接决定了生成模型的精度上限和鲁棒性。
其次，几何约束求解是 SGS-1 区别于其他生成模型的灵魂。一个合格的工程 CAD 模型，其草图必须满足严格的几何关系，如平行、垂直、相切、同心等。Transformer 模型通常将这些关系视为隐式的、从数据中学习到的统计模式，而 SGS-1 的非 Transformer 架构则可能采取更显式、更确定性的方法。一种可行的工程化实现是引入一个轻量级的“约束求解器”模块，作为生成过程的后处理或联合优化环节。该模块接收模型生成的原始几何图元（点、线、弧）及其预测的约束标签，然后通过数值优化算法（如牛顿-拉夫森法）或符号计算引擎，强制调整几何参数以精确满足所有约束条件。在这个过程中，关键的可配置参数包括：约束容差（允许的几何误差范围，通常在 1e-6 到 1e-3 单位之间）、求解器最大迭代次数、以及冲突约束的处理策略（如优先级排序或松弛）。这些参数的精细调校，是平衡生成效率与几何精确性的核心。
再者，为了实现真正的“结构化”输出，SGS-1 必须对 CAD 建模的层次化语义有深刻建模。这超越了简单的操作序列，而涉及到对“特征树”（Feature Tree）的理解——即哪些草图属于同一个拉伸特征，哪些布尔操作作用于特定的实体组。非 Transformer 架构，如基于图神经网络（GNN）或层次化状态机，可能在此展现出优势。它们可以显式地建模特征之间的父子、依赖和布尔关系。一个关键的工程参数是语义分组的粒度：是将每个草图-拉伸对视为一个原子单元，还是允许更细粒度的控制（如单独编辑一个拉伸中的某个草图轮廓）？这决定了生成模型的灵活性和下游应用的便捷性。另一个重要参数是布尔操作的稳健性阈值，用于在生成复杂实体组合时，自动检测并修复可能导致建模失败的微小几何间隙或重叠。
最后，任何工程化系统都必须考虑失败处理与监控。SGS-1 的非 Transformer 架构可能在生成长序列或复杂模型时面临挑战。一个务实的工程策略是实施“渐进式生成”与“拓扑有效性检查”。模型不是一次性生成整个设计，而是分阶段输出（如先生成主体结构，再添加细节特征），并在每个阶段后插入一个轻量级的拓扑检查器，验证当前模型的 B-rep 是否有效（无非流形边、无自相交面）。如果检查失败，则触发回滚机制，重新生成该阶段或调整相关参数。相关的监控参数包括：阶段生成成功率、拓扑检查失败率、以及平均回滚次数。这些指标不仅用于模型迭代优化，也为最终用户提供了透明度和可控性。
总而言之，Spectral Labs 的 SGS-1 代表了一种回归工程本质的 AI 设计范式。它通过放弃对通用序列建模的执念，转而深耕参数化、约束求解和结构化语义等工程核心问题，为 AI 在严肃的工业设计领域的落地提供了切实可行的路径。虽然其非 Transformer 的具体架构仍是待解之谜，但其背后蕴含的工程化思想——通过精心设计的离散化参数、显式的约束求解模块、层次化的语义建模以及稳健的失败处理机制——为我们构建下一代智能 CAD 系统提供了宝贵的蓝图。对于工程师而言，掌握这些可配置的工程参数，远比理解一个黑盒的 Transformer 模型更有价值，因为它意味着真正的控制权和创造力的释放。