Проблема: «Почти правильные» модели не работают в инженерии
Инженеры часто используют vision-language модели (VLM) для генерации идей, но для реального прототипирования нужен точный CAD-код (Python-скрипты, исполняемые в CAD-ПО). Стандартные модели выдают простые формы или код с ошибками, требующими ручной правки. Главная причина — нехватка качественных датасетов для обучения.
Решение: GIFT (Geometric Inference Feedback Tuning)
Команда MIT под руководством Джорджо Джанноне и Фаэза Ахмеда создала фреймворк GIFT. Его суть — автоматическая генерация обучающих данных на основе анализа ошибок самой модели. Система не требует участия человека для исправления кода.
- Механизм: GIFT запускает модель несколько раз параллельно для одной задачи.
- Фильтрация: Отбираются «почти правильные» решения (near-misses), которые модель генерирует с вероятностью около 50%.
- Обучение: Эти неудачные попытки корректируются и добавляются в датасет, обучая модель исправлять специфические геометрические ошибки.
Ключевые метрики и эффективность
Использование техники inference-time scaling позволяет настраивать объем вычислений под бюджет проекта, не переобучая саму модель. GIFT превосходит существующие методы по точности и эффективности:
| Параметр | Результат GIFT | Значение для индустрии |
|---|---|---|
| Вычислительные затраты | ~20% от затрат конкурентов | Значительное снижение стоимости и времени генерации |
| Точность геометрии | Выше, чем у базовых VLM | Код сразу готов к симуляции и тестам на прочность |
| Человеческий фактор | Отсутствует | Полная автоматизация от эскиза до рабочей модели |
Почему это важно для инженеров
Точность геометрии — критический фактор. Если 3D-форма неверна, симуляции (краш-тесты, проверка на прочность) бессмысленны. GIFT позволяет инженерам:
- Быстро превращать 2D-концепты в тестируемые 3D-модели.
- Снижать стоимость прототипирования за счет экономии вычислительных ресурсов.
- Использовать доверенные AI-инструменты в повседневной работе, так как система учится на своих ошибках, а не просто копирует данные.
Исследование представлено на конференции International Conference on Machine Learning (ICML). В работе участвовали исследователи MIT, IBM и Red Hat.
Источник: MIT News AI ↗