标题

SGS-1在工程级3D几何生成领域的突破应用

概述

本文介绍了Spectral Labs推出的SGS-1，这是一款能够生成可生产、可编辑的参数化三维工程几何体（CAD）的基础生成模型。相较于现有同类模型，SGS-1在几何精度、空间理解能力和多样性上表现卓越，可直接生成可编辑的STEP格式参数化B-Rep模型，对机械设计、逆向工程、草图转正经CAD、装配环境建模等有极大现实价值，并推动此类AI模型向更高复杂度、物理推理及多模态方向演进。

主题分节梳理

SGS-1模型的基本特征及原理

• SGS-1由Spectral Labs开发，是首个专注生成工程级三维参数化CAD几何的基础模型（foundation model）。
• 支持输入图片或已有“三维哑模型”数据（如STL/mesh网格），输出为可编辑的STEP格式（参数化B-Rep表示，boundary representation，边界表示）文件。
• SGS-1模型与传统AI生成模型根本不同，能够输出符合工业制造标准且易于在专业CAD软件（如Fusion360）编辑的结构。
• 用户只需提交一幅图片或三维网格文件，即可获得高精度参数化几何体，再按实际装配要求自主修改、完善。
• SGS-1展现了复杂与多样CAD几何的高泛化能力，大幅超越现有开源模型或多模态大语言模型在该任务上的表现。

性能评测与与主流模型对比

• SGS-1与两类标杆模型直接对比：一是OpenAI的GPT-5（可通过编程方式表达参数化几何），二是知名的HoLa（2025年，205M参数的扩散模型，搭配181M VAE，用单图像生成B-Rep）。
• 评测采用75个代表性中高复杂度的参数化几何图像样例（含AI生成草图、工程草图与经典CAD渲染），按不同模型成功输出有效几何个数、距离原图精度等指标统计。
• SGS-1在绝大多数场景中有至少一个成功输出，全面优于GPT-5和HoLa，后者仅能在最简单样例取到零星可用结果。
• GPT-5的空间推理能力有限，往往生成过于简单或空间关系错乱的结构，不具备直接用于装配的能力；HoLa尽管能一定程度保留几何雏形，但整体精度、多样性均显不足。
• SGS-1的输出可以直接插入装配上下文，且得益于参数化表达，用户只需调整尺寸即可实现精准工程对接。

场景应用：装配、草图、逆向工程和格式转换

• SGS-1支持装配级几何生成：用户输入一个部分已有的装配体、再用图片或文本描述新部件要求，模型可输出实时可用的新部件三维设计，并能导入装配环境后依据实际专业需求二次调整。
• 草图与工程图转B-Rep：无论是手绘草图还是学院工程图，将图片输入SGS-1即可得到参数化三维文件，极大简化了传统建模流程，提升概念设计与创新效率。