Команда Антона Конушина и лаборатория Fusion Brain вместе с  ребятами Сергея Маркова и Игоря Пасечника из SberAI опубликовали крутое обновление в нашей линейке моделей для реверс-инжиниринга! CADENA: Stepwise CAD Reverse Engineering Перешли на пошаговое предсказание — модель стала гибче, качество выросло, и чем сложнее датасет, тем больше отрыв. Плюс собрали CADENA-Bench: 3396 реальных механических деталей, разбитых по категориям ЕСКД, чтобы можно было оценивать готовность к практике для отдельных типов деталей. О постановке задачи для тех, кто пока про нее не слышал: по скану физической детали восстановить её CAD-модель — дерево построений, которое инженер может править и по которому деталь можно произвести. Последовательность CAD-операций пишется питоновским кодом, так что фактически это mesh2code. Наши прошлые модели предсказывали всю последовательность разом и потому наследовали статистику трейна: если операция B в обучении всегда стоит между A и C, на инференсе она встанет туда же. На сложных и редких деталях это ломалось. В CADENA мы предсказываем по одной операции за раз — модель исполняет то, что уже написала, смотрит на разницу с целью и решает, что делать дальше. Плюс новый генератор, дающий длинные последовательности операций. Результат: заметный отрыв на всех датасетах, где мы замеряемся. На CADENA-Bench мы лучше в 5 категориях из 6 и в среднем. На BenchCAD, где свои модели меряет в том числе Claude, восстановление объёма 91% против 71% у фронтирных моделей и 75% у специализированных. На гифке — как модель собирает деталь по операциям. Paper: https://arxiv.org/abs/2608.00799 · https://huggingface.co/papers/2608.00799 GitHub: https://github.com/zhemdi/cadena Dataset: https://huggingface.co/datasets/kulibinai/cadena-bench Model: https://huggingface.co/kulibinai/cadena Заапвоутить: https://huggingface.co/papers/2608.00799