論文の概要: Task-Driven 3D Printability Assistance via Geometry- and Knowledge-Grounded LLM Reasoning

• arxiv url: http://arxiv.org/abs/2608.22128v1
• Date: Sat, 22 Aug 2026 22:56:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.631445
• Title: Task-Driven 3D Printability Assistance via Geometry- and Knowledge-Grounded LLM Reasoning
• Title（参考訳）: 幾何学的・知識的LLM推論によるタスク駆動型3次元印刷性支援
• Authors: Zhaoda Du, Qiaojie Zheng, Xiaoli Zhang,
• Abstract要約: 本稿では,大規模言語モデルの推論と言語理解機能を活用して,信頼性の高いプレプリントレコメンデーションを生成する。 フレームワークは、印刷性、材料選択、プロセスパラメータ、設計指針、リスク、説明を含む構造化されたレコメンデーションを生成する。 提案手法は,96の物理的検証試験に対して75.0%の印刷性を実現し,88.9%のタスク適合性を示した。
• 参考スコア（独自算出の注目度）: 3.921423047882568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Printability assessment in additive manufacturing is typically conducted at the geometry level before printing to determine whether a computer-aided design (CAD) model or stereolithography (STL) file can be successfully fabricated. Task suitability, in contrast, is usually evaluated after printing to determine whether the fabricated part satisfies the requirements of its intended use. As a result, for non-expert users to print functional parts, unsuitable material or process choices may only be identified after fabrication, leading to repeated printing, material waste, and user frustration. To address this challenge, this paper leverages the reasoning and language-understanding capabilities of large language models (LLMs), while grounding the reasoning with geometry evidence and structured material/printer knowledge to generate reliable pre-print recommendations. Given a stereolithography (STL) model and a natural-language task description, the framework generates a structured recommendation covering printability, material choice, process parameters, design guidance, risks, and explanations. We evaluate the framework on focused STL benchmark scenarios with novice-style task descriptions. The proposed method achieves 75.0% printability over 96 physical validation trials, with 88.9% task suitability among successfully printed samples. It also improves Gemini 2.5 Flash-Lite material-selection accuracy from 37.5% under pure LLM to 90.0%. Expert evaluation further shows improved report quality, while post-print feedback improves recommendations on selected problematic cases. These results suggest that user task intent, geometry evidence, and structured material knowledge are all important for reliable task-driven printability assistance.
• Abstract（参考訳）: 添加物製造における印刷性評価は、コンピュータ支援設計(CAD)モデルかステレオリソグラフィ(STL)ファイルかを決定するために、印刷前の幾何学レベルで行うのが一般的である。 対照的に、タスク適合性は通常、印刷後に評価され、製造された部分が意図された用途の要件を満たすかどうかを決定する。 その結果、非熟練者が機能部品を印刷する場合、不適な材料やプロセスの選択は製造後にのみ特定でき、繰り返し印刷、材料廃棄物、ユーザフラストレーションが生じる。 この課題に対処するために,大規模言語モデル(LLM)の推論と言語理解機能を活用し,幾何学的証拠と構造的材料・印刷者知識を基礎として,信頼性の高い事前印刷推薦を生成する。 ステレオリソグラフィー(STL)モデルと自然言語によるタスク記述を与えられたフレームワークは、印刷性、材料選択、プロセスパラメータ、設計指針、リスク、説明を含む構造化されたレコメンデーションを生成する。 初歩的なタスク記述を伴うSTLベンチマークのシナリオに焦点を絞ったフレームワークの評価を行った。 提案手法は,96の物理的検証試験に対して75.0%の印刷性を実現し,88.9%のタスク適合性を示した。 また、ジェミニ2.5フラッシュライトの素材選択精度を37.5%から90.0%に改善した。 専門家による評価では、レポートの品質が向上し、ポストプリントフィードバックは、選択された問題事例のレコメンデーションを改善している。 これらの結果は,ユーザタスク意図,幾何学的エビデンス,構造化材料知識が,信頼性の高いタスク駆動型印刷性支援において重要であることを示唆している。

関連論文リスト

• TOPS: First-Principles Visual Token Pruning via Constructing Token Optimal Preservation Sets for Efficient MLLM Inference [54.41143483594129]
  マルチモーダル大言語モデル(MLLM)は強力なマルチモーダル推論機能を実現しているが、その効率は多数の視覚トークンによって制限されている。 Visual token pruningは自然なソリューションを提供するが、既存のメソッドは不完全である。 各種MLLMに適用可能なトレーニングフリーでモデルに依存しないプルーニングモジュールTOPSを提案する。
  論文  参考訳（メタデータ） (2026-06-25T15:29:37Z)
• Structured Uncertainty guided Clarification for LLM Agents [126.26213027785813]
  LLMエージェントは、ツールコール機能を備えた大きな言語モデルを拡張するが、曖昧なユーザ命令は、しばしば誤った呼び出しやタスクの失敗につながる。 本稿では,ツールコールパラメータに対する構造的不確かさの定式化,完全情報の期待値(EVPI)を目標としたPOMDPのモデル化,冗長性防止のためのアスペクトベースコストモデルを提案する。 我々のSAGE-Agentは、この構造化された不確実性を活用し、より優れた効率を達成するために、曖昧なタスクのカバレッジを7～39%増加させ、明確な質問を1.5～2.7$times$に減らした。
  論文  参考訳（メタデータ） (2025-11-11T21:50:44Z)
• Extracting Formal Specifications from Documents Using LLMs for Automated Testing [11.129512305353055]
  正式な仕様を定義する主なアプローチは、ソフトウェア文書のマニュアル分析である。 システム更新は、対応する正式な仕様を維持するための人件費をさらに高める。 大規模言語モデルの最近の進歩は、自然言語理解において有望な能力を示している。
  論文  参考訳（メタデータ） (2025-04-02T01:58:11Z)
• PPTAgent: Generating and Evaluating Presentations Beyond Text-to-Slides [51.88536367177796]
  そこで本研究では,人案に触発された2段階の編集手法を提案し,プレゼンテーションを自動的に生成する。 PWTAgentはまず参照を分析し、スライドレベルの関数型とコンテンツスキーマを抽出し、選択した参照スライドに基づいて編集アクションを生成する。 PWTAgentは、既存の3次元のプレゼンテーション生成方法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-01-07T16:53:01Z)
• Self-Refinement Strategies for LLM-based Product Attribute Value Extraction [51.45146101802871]
  本稿では,製品属性値抽出タスクに2つの自己補充手法を適用した。 実験の結果, 2つの自己補充技術は, 処理コストを大幅に増大させながら, 抽出性能を著しく向上させることができないことがわかった。 開発データを持つシナリオでは、ファインチューニングが最もパフォーマンスが高いのに対して、ファインチューニングの上昇コストは製品記述の量が増加するにつれてバランスがとれる。
  論文  参考訳（メタデータ） (2025-01-02T12:55:27Z)
• Improving Embedding Accuracy for Document Retrieval Using Entity Relationship Maps and Model-Aware Contrastive Sampling [0.0]
  APEX-Embedding-7Bは、7ビリオンパラメータデコーダのみのテキスト特徴抽出モデルである。 このアプローチでは2つのトレーニング手法を採用して,現実の焦点を即時的に改善する。 本モデルでは,より長いコンテキスト文書検索タスクに対して,テキスト特徴抽出における最先端の標準を新たに確立する。
  論文  参考訳（メタデータ） (2024-10-08T17:36:48Z)
• LLM-3D Print: Large Language Models To Monitor and Control 3D Printing [10.595250438585209]
  産業4.0は、デジタル化を推進し、添加性製造(AM)へのパラダイムシフトによって製造に革命をもたらした。 重要なAM技術であるFDMは、層間押出による最小限の材料廃棄物による、高度にカスタマイズされたコスト効率の高い製品の作成を可能にする。 本稿では,3Dプリンタとともに学習済みのLarge Language Models(LLM)を利用して,印刷欠陥の検出と対処を行うプロセス監視・制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-26T14:38:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。