Dans un bureau d’études, une pièce mécanique n’apparaît presque jamais correctement du premier coup. Le concepteur crée une forme, l’observe sous plusieurs angles, contrôle les dimensions, corrige un perçage, ajoute un congé, puis recommence jusqu’à obtenir un modèle utilisable.
Une nouvelle prépublication propose d’appliquer cette même boucle à un agent d’intelligence artificielle. Baptisé IterCAD, le système transforme un dessin technique ou une consigne textuelle en code de conception assistée par ordinateur, exécute ce code dans un environnement isolé, examine la géométrie obtenue et tente de réparer ses erreurs au tour suivant.
Le papier, mis en ligne sur arXiv le 11 juin 2026, rapporte un taux de programmes invalides de seulement 0,3 % sur son benchmark principal lorsque l’agent peut travailler en plusieurs étapes. Le résultat est prometteur, mais il ne faut pas le confondre avec une automatisation complète de l’ingénierie. IterCAD sait reproduire des formes ; il ne comprend pas encore réellement pourquoi une rainure reçoit une clavette, comment un roulement doit être ajusté ou quelles tolérances permettront de fabriquer et d’assembler la pièce.
De l’image au modèle paramétrique
La plupart des générateurs 3D produisent un maillage, c’est-à-dire une surface composée de triangles. Cette représentation convient à la visualisation, aux jeux vidéo ou à certaines impressions 3D. Elle est moins adaptée au travail industriel lorsqu’un ingénieur doit modifier précisément un diamètre, déplacer un perçage ou conserver l’historique de construction.
IterCAD génère plutôt un programme Python utilisant CadQuery, une bibliothèque de CAO paramétrique. Le code décrit les opérations qui construisent la pièce : créer une esquisse, extruder un profil, soustraire un cylindre, arrondir une arête ou ajouter un chanfrein.
Cette différence est importante. Une pièce ne se réduit plus à son apparence finale. Elle possède une recette modifiable. Si l’utilisateur veut épaissir une plaque, l’agent peut changer un paramètre ou une opération au lieu de déformer approximativement un nuage de points.
Le système traite trois types de demandes :
- convertir un dessin technique comportant plusieurs vues en code CAO ;
- générer une pièce depuis une description en langage naturel ;
- modifier localement un modèle existant à partir d’une nouvelle instruction.
Cette dernière capacité rapproche l’outil du travail réel. Un utilisateur peut demander d’augmenter l’épaisseur, d’ajouter deux bossages, d’annuler l’opération précédente ou de chanfreiner certaines arêtes sans repartir de zéro.
L’agent regarde le résultat de son propre code
Le principe central d’IterCAD est une boucle fermée. Au premier tour, le modèle analyse les vues et les dimensions disponibles, prépare une stratégie de construction, puis écrit un script CadQuery.
Le programme est exécuté dans un bac à sable. Si une fonction n’existe pas, si une opération géométrique échoue ou si la pièce produite ne correspond pas suffisamment à la référence, l’environnement renvoie une erreur et des rendus visuels.
L’agent reçoit alors plusieurs informations :
- son raisonnement précédent ;
- le code déjà produit ;
- les messages d’exécution ;
- des images de la pièce obtenue ;
- le dessin ou l’objectif d’origine.
Il peut conserver les parties correctes et ne modifier que la zone fautive. Dans un exemple présenté par les chercheurs, le premier programme appelle une méthode CadQuery non disponible. Au tour suivant, l’agent remplace cette fonction par un calcul trigonométrique explicite, puis corrige le nombre et la position des trous.
Ce fonctionnement dépasse la simple génération de code. Un assistant classique peut proposer un script plausible, mais laisser l’utilisateur diagnostiquer les erreurs. IterCAD est entraîné à utiliser l’échec comme une observation et à choisir une nouvelle action.
Un petit modèle spécialisé plutôt qu’un géant généraliste
IterCAD repose sur un modèle multimodal de 4 milliards de paramètres, dérivé de Qwen3.5-4B. Les chercheurs l’ont spécialisé avec 28 000 trajectoires supervisées : 20 000 exemples apprennent la génération initiale et 8 000 montrent comment corriger des erreurs au fil de plusieurs tours.
Une seconde phase utilise l’apprentissage par renforcement sur 2 000 problèmes difficiles de conversion de dessins en code. Le système reçoit une récompense selon la validité du programme, la proximité géométrique avec la cible et sa capacité à progresser sans abandonner prématurément.
L’entraînement autorise jusqu’à cinq interactions avec le bac à sable. Il applique aussi une technique appelée Geometry-Viable Prefix Masking. Son objectif est de ne pas punir toute une trajectoire lorsqu’une erreur tardive survient après plusieurs décisions utiles.
Imaginons que l’agent choisisse correctement le plan de travail, l’esquisse et l’extrusion, puis échoue sur un arrondi final. Une récompense globale négative risque d’affaiblir également les bonnes étapes. Le mécanisme cherche au contraire à renforcer le préfixe viable et à isoler la partie où la trajectoire devient improductive.
Cette spécialisation explique pourquoi un modèle relativement petit peut battre des systèmes beaucoup plus grands sur certaines tâches étroites. Il ne possède pas nécessairement davantage de connaissances générales. Il a appris le vocabulaire de CadQuery, les erreurs courantes et une méthode de correction adaptée à la géométrie.
Des programmes invalides presque éliminés sur le benchmark
Les auteurs introduisent IterCAD-Bench, composé de 1 000 tâches dessin-vers-code et de 200 modifications locales. La moitié des dessins concerne des formes simples ; l’autre moitié ajoute des opérations comme les perçages, les évidements, les coques, les congés et les chanfreins.
Sur la conversion de dessins, IterCAD produit directement 6,5 % de programmes invalides. GPT-5 atteint 28,1 % dans l’évaluation rapportée, et le modèle Qwen3.5-4B non spécialisé 95,3 %.
Lorsque les systèmes peuvent exécuter et corriger leur travail en plusieurs tours, les scores progressent :
- IterCAD descend à 0,3 % de sorties invalides ;
- GPT-5 descend à 4,7 % ;
- Gemini 3 Flash Lite atteint 12,7 % ;
- le modèle de base Qwen3.5-4B reste à 62,3 %.
IterCAD termine en moyenne en 2,48 tours. Selon les auteurs, le premier essai est souvent déjà exploitable et le tour suivant sert principalement à vérifier ou à affiner le résultat.
La comparaison mérite cependant plusieurs précautions. Le benchmark et le système ont été conçus par la même équipe. Les données sont synthétiques et centrées sur CadQuery. Le taux d’exécution mesure si le code fonctionne et produit une géométrie valide ; il ne démontre pas que la pièce peut remplir sa fonction mécanique.
Pourquoi une pièce exécutable peut rester fausse
Un programme sans erreur peut construire un objet qui ressemble à la cible tout en contenant une mauvaise logique de conception. Un trou peut avoir le bon diamètre visuel mais être positionné depuis une référence fragile. Une coque peut présenter la bonne épaisseur moyenne sans respecter les contraintes nécessaires au moulage.
Les méthodes de génération CAO utilisent souvent la distance de Chamfer pour comparer deux géométries. Elles échantillonnent des points sur les surfaces et calculent à quel point les deux ensembles sont proches.
Cette métrique aide à mesurer la ressemblance globale, mais elle peut favoriser uniquement les cas qui ont réussi à s’exécuter. Si un modèle échoue sur les problèmes difficiles et ne produit une géométrie que pour les pièces simples, sa distance moyenne peut sembler excellente.
Les chercheurs proposent donc une courbe qui combine :
- la proportion de programmes exécutables ;
- la proportion de pièces restant sous différents seuils d’erreur géométrique.
L’indicateur résultant, nommé AUC-TR, pénalise les générations invalides au lieu de les retirer du calcul. Sur le benchmark dessin-vers-code en boucle agentique, IterCAD obtient 0,61, devant Gemini 3 Flash Lite à 0,56 et GPT-5 à 0,50.
Mais cette hiérarchie change selon la tâche. Sur l’édition locale, GPT-5 atteint une AUC-TR de 0,79, contre 0,54 pour IterCAD. Le modèle spécialisé génère très peu de programmes invalides, mais le système généraliste reste plus précis sur certaines modifications complexes. Il n’existe donc pas un vainqueur absolu.
La géométrie ne suffit pas à faire de l’ingénierie
Les limites les plus importantes sont reconnues par les auteurs. IterCAD travaille principalement sur des pièces uniques. Il ne gère pas encore un grand assemblage dans lequel plusieurs composants doivent s’emboîter, se déplacer, éviter les collisions et partager des références.
Le système reste également dépendant de CadQuery et de conventions de dessin particulières. Une intégration industrielle devrait tenir compte des logiciels propriétaires, des formats de données, des bibliothèques internes et des règles de modélisation propres à chaque entreprise.
Surtout, les métriques géométriques ne représentent pas l’intention fonctionnelle. IterCAD peut reproduire la forme d’une rainure sans savoir qu’elle accueille une clavette. Il peut dessiner un alésage sans comprendre l’ajustement nécessaire pour un roulement. Les auteurs citent également les filetages parmi les informations que leur évaluation ne couvre pas correctement.
Une pièce réellement industrialisable doit aussi intégrer :
- les tolérances dimensionnelles et géométriques ;
- les matériaux et leurs procédés compatibles ;
- les efforts mécaniques et la fatigue ;
- l’accessibilité des outils d’usinage ;
- les contraintes de moulage ou d’impression ;
- les règles d’assemblage et d’inspection ;
- les exigences réglementaires et de sécurité.
Une IA qui produit la bonne silhouette ne satisfait pas automatiquement ces conditions.
Le risque d’un code difficile à maintenir
La CAO paramétrique est utile parce qu’un modèle doit évoluer pendant des mois ou des années. Un arbre de construction bien organisé permet à un autre ingénieur de comprendre les références, les dépendances et l’intention derrière chaque fonction.
IterCAD privilégie pour l’instant la convergence géométrique immédiate. Les chercheurs observent que le code généré peut contenir des valeurs codées en dur et une structure peu hiérarchisée. La pièce est correcte au moment de l’évaluation, mais elle risque d’être difficile à modifier proprement plus tard.
Ce problème ressemble à celui du code logiciel généré par IA. Faire fonctionner une solution sur un test est différent de produire un système lisible, documenté et maintenable par une équipe.
Dans un bureau d’études, la relecture humaine devra donc porter sur deux couches :
- la géométrie répond-elle au besoin immédiat ?
- l’historique paramétrique restera-t-il robuste lorsque les dimensions changeront ?
Une automatisation utile ne doit pas seulement réduire le temps du premier modèle. Elle doit éviter de transférer la dette de conception vers les étapes suivantes.
Un copilote pour les tâches répétitives de CAO
À court terme, le scénario le plus crédible n’est pas un agent qui conçoit seul un moteur ou un dispositif médical. IterCAD montre plutôt comment automatiser les opérations répétitives autour de pièces relativement simples.
Un tel système pourrait préparer une première reconstruction depuis un ancien plan, créer plusieurs variantes dimensionnelles, ajouter une série de perçages ou traduire une demande textuelle en script paramétrique. L’ingénieur conserverait la responsabilité des interfaces, des tolérances, du procédé et de la validation.
La boucle visuelle apporte néanmoins un progrès important. Elle réduit le nombre de sorties inutilisables et permet à l’agent de corriger certaines erreurs sans intervention humaine à chaque étape. Dans les systèmes industriels, cette capacité à vérifier ses propres actions compte souvent davantage qu’une démonstration spectaculaire en un seul essai.
Il reste à tester IterCAD sur des plans réels, des conventions variées et des modifications demandées par des concepteurs professionnels. La version du papier consultée ne fournit pas encore de lien public vers le modèle, le code complet ou une démonstration permettant de reproduire directement les résultats.
L’avenir de la CAO générative se jouera probablement moins dans le « texte vers 3D » instantané que dans des agents capables de travailler avec l’ingénieur, d’expliquer leurs choix, de respecter l’intention de conception et de laisser derrière eux un modèle propre. IterCAD rapproche la recherche de cette boucle, sans avoir encore franchi la frontière entre ressemblance géométrique et véritable compréhension mécanique.
Références
- arXiv — IterCAD: An Iterative Multimodal Agent for Visually-Grounded CAD Generation and Editing
- CadQuery — documentation officielle
- arXiv — Fusion 360 Gallery: A Dataset and Environment for Programmatic CAD Construction from Human Design Sequences
- arXiv — CAD-Coder: Text-to-CAD Generation with Chain-of-Thought and Geometric Reward
- arXiv — Text-to-CadQuery: A New Paradigm for CAD Generation with Scalable Large Model Capabilities
