Нейросеть для КОМПАС 3D перестала выдумывать команды: энкодер на 34 млн параметров проверяет каждый метод

Разработчики пакета «kompas-3d-guard» версии 0.6.2 решали конкретную проблему: ИИ-агент, работающий с КОМПАС-3D, не понимал связь между человеческим языком и документацией. Граф типов знал всё про внутренние интерфейсы вроде IPart7.DefaultObject, но на запрос «построй эскиз на базовой плоскости» ответить не мог. Искать по 19 тысячам страниц технической документации оказалось неэффективно. Вместо стандартного подхода с тяжёлой эмбеддинг-моделью (модель, которая превращает текст в числовой вектор для поиска похожих документов) и реранкером команда дообучила компактный двуязычный энкодер USER2-small с единственной задачей: взять описание задачи на русском или английском и выдать подходящие элементы API КОМПАСа.

Что решает KOMPAS Guard?

• Проверка существования методов. Граф типов доказывает, что метод реально есть в API. Компилятор C# сверяет сигнатуры. Отдельный процесс запускает код в живом экземпляре CAD. После этой тройной проверки нейросеть для КОМПАС 3D физически не может выдать несуществующую команду.

• Перевод с человеческого языка на API. Дообученный энкодер (34 млн параметров, размерность векторов 384) связывает запрос вроде «длина отрезка прямой» с нужным методом, не требуя от пользователя знать точное имя интерфейса.

• Пакетная обработка запросов. SDK принимает запросы пачкой, модель запускается один раз. Агент получает короткие ссылки и запрашивает полные сведения только для выбранного кандидата, тратя меньше токенов (единиц текста, за которые платит пользователь).

• Открытая методология синтеза данных. Обучающие пары «запрос и правильный ответ» генерировались внешними языковыми моделями на русском и английском. При этом генеративная модель данные не размечала: правильный ответ назначался кодом заранее. Итого больше 200 тысяч пар, по два сложных негативных примера на каждую, обучение заняло меньше пяти часов на одной видеокарте.

Как устроена честная проверка качества?

Разработчики прогнали систему на трёх независимых наборах:

• dev (регрессионный, ловит деградации между версиями).
• manual (задачи, написанные вручную, без оглядки на стиль генератора).
• held-out (документы, которых не было в обучающей выборке).

На наборе manual, где запросы составлены в естественных формулировках («длина отрезка прямой», «масштаб вида»), базовая модель до дообучения в 90% случаев вообще не находила нужный метод. После дообучения (версия V1) правильный ответ попадает в топ-5 почти в 80% случаев. Этого достаточно: агент получает несколько кандидатов, проверяет их через граф типов и выбирает подтверждённого.

Команда честно указала слабые места: элементы дерева построения модель путает между собой, а метод Save имеет слишком много владельцев для уверенного выбора с первой позиции. Версии V2 и V3 значимого улучшения не дали, в финальном релизе осталась V1.

Как попробовать?

1. Установите пакет kompas-3d-guard версии 0.6.2 из репозитория проекта.
2. Скачайте бенчмарки с Google Drive (ссылка есть в документации проекта: https://drive.google.com/file/d/11eoi2cTO3bEoAf1ZIVGzRjDQdAJAiSxR/view).
3. Используйте пакетный режим SDK: передайте список запросов на русском языке, получите кандидатов и вызовите inspect() для нужного результата.

Чем отличается от подхода YandexGPT и GigaChat?

Прямого аналога для КОМПАС-3D у крупных российских моделей нет. YandexGPT и GigaChat работают как универсальные генераторы текста и кода, но не знают специфику API КОМПАСа и не имеют встроенной проверки через граф типов и компилятор.

KOMPAS Guard решает другую задачу: это не универсальная языковая модель, а специализированный поисковый слой с верификацией. Методология синтеза обучающих данных (генерация пар «задача и метод» внешними моделями с последующей автоматической разметкой и фильтрацией) переносима на любой специализированный продукт с документированным API.

Что делать с этим прямо сейчас, по ролям

Разработчику, автоматизирующему КОМПАС-3D. Пакет решает ровно ту боль, когда агент угадывает имена методов и ошибается. Попробуйте пакетный режим на своих типичных задачах и сравните с ручным поиском по документации.

Автору Дзена, который пишет про CAD и инженерию. Методология синтеза обучающих данных, когда модели генерируют запросы, а правильный ответ назначается кодом, это готовый кейс для материала «как обучить нейросеть под узкий домен без ручной разметки».

Предпринимателю в РФ. Подход переносим: если ваш продукт имеет документированный API и 10+ тысяч страниц документации, ту же схему (синтез пар, компактный энкодер, верификация компилятором) можно адаптировать под ваш стек.

Частые вопросы

Нужна ли мощная видеокарта для запуска?

Энкодер содержит 34 млн параметров, это компактная модель. Обучение заняло меньше пяти часов на одной видеокарте. Для инференса (получения результатов без обучения) требования ещё ниже.

Работает ли это без установленного КОМПАС-3D?

Поиск по API и ранжирование кандидатов работают без запущенного CAD. Но финальная верификация, запуск сгенерированного кода в живом экземпляре, требует установленного КОМПАС-3D.

Можно ли адаптировать методологию под другую систему?

Да, и в этом основная ценность проекта. Методология синтеза обучающих данных (генерация запросов внешними моделями, автоматическая разметка правильных ответов кодом, подбор сложных негативных примеров) не привязана к КОМПАСу. Нужен документированный API и компилятор или интерпретатор для верификации.

Защита от галлюцинаций в узкоспециализированных системах всё ещё остаётся ручной инженерной работой, но KOMPAS Guard показал, что эта работа воспроизводима и переносима, и выложил инструменты, чтобы это доказать.