Datasets:

AI4Manufacturing
/

cadprompt

dataset_info:
  features:
    - name: query
      dtype: string
    - name: image
      dtype: string
    - name: annot
      dtype: string
    - name: reasoning
      dtype: string
    - name: cate
      dtype: string
    - name: task
      dtype: string
    - name: metadata
      dtype: string
  splits:
    - name: test
      num_bytes: 2070110
      num_examples: 200
  download_size: 401382
  dataset_size: 2070110
configs:
  - config_name: default
    data_files:
      - split: test
        path: data/test-*
tags:
  - smart-manufacturing
  - cad
  - code-generation
  - cadquery
  - text-to-cad
extra_gated_fields:
  Name: text
  Affiliation: text
  Intended use: text
pretty_name: CADPrompt
license: unknown
extra_gated_prompt: >-
  Released for research use; access granted manually. State your name,
  affiliation, and intended use.

CADPrompt (自然语言 -> CadQuery 代码)

CADPrompt（Alrashedy et al., ICLR 2025, Generating CAD Code with Vision-Language Models for 3D Designs）已转为团队统一 7 字段 SFT schema。200 个样本。

按庞威裁决上传原始 dataset 本身（"direct VLM 如果需要 render 的那种可以先传 dataset 本身，我来看看有没有办法弄一下 rendering"）。本库是原始文本+代码，渲染由团队后续统一处理。

⚠ 两点必须先看

1. 这个集没有任何可用作 VLM 输入的图像 —— image 全为 null。 全库只有 7 张 png，没有一张是每样本配图：3 张是仓库级插图（Examples.png / Statistics.png / CADCodeVerify.png），另外 4 张散落在 3 个样本目录里（00001817、00520776、00997300），是作者遗留的杂图。所以它不是 raw-direct，必须先从 CadQuery 代码渲染才能做 VLM 输入。（登记表原写 "文本+代码，无稳定图像→非VLM raw-direct" —— 实测吻合。）

2. 许可：无。 仓库里零 LICENSE 文件，GitHub API license 字段返回 null，README 也无任何许可条款。上游几何血缘（DeepCAD → ABC）不构成授权 —— 那两个仓的 MIT 只覆盖代码，不覆盖数据；且 ABC 的几何继承 Onshape ToU。本库按团队要求"先传上来并在 README 标注"处理，再分发授权状态未解决。

⚠ 批量执行警告：200 份 GT 代码的 export 路径完全同名

annot 里 200 份代码结尾全是 cq.exporters.export(part, 'Ground_Truth.stl') —— 硬编码相对路径（本次转换实测 export 目标计数 {'Ground_Truth.stl': 200}，缺 export 的 0 份）。在同一个 cwd 里批量执行这些代码（GT 代码或模型生成的代码都一样）会静默互相覆写同一个文件，不报错，最后只剩最后一个物体。必须逐样本 chdir 到独立目录，或执行前把 export 目标改写成带 model_id 的路径。做渲染/评测前先解决这个，否则渲出来只有一个物体。

Schema

query（自然语言描述，取的是带具体尺寸的变体，见下面的对表警告） · image（null —— 见上） · annot（CadQuery Python 代码，ground truth） · reasoning（null） · cate=E / task=T-E1 · metadata（model_id、prompt_plain、prompt_with_measurements、geometry_ground_truth、 deepcad_sequence_json、网格路径）

query 与论文对表警告：本库 query 用带精确尺寸的 prompt 变体（..._with_specific_measurements.txt，200/200 含数字）。但论文全文 0 次提到该变体（§4.1 只说 "manually annotated with a natural language prompt"，单数），其报的数大概率用的是朴素版（朴素版 109/200 一个数字都没有）。所以本库 query 列不能直接跟论文 Table 2 对表；要复现论文数字请改用 metadata.prompt_plain（朴素版原文，每个样本都有）。

`metadata.geometry_ground_truth` 字段语义（照字段名字面用会全错）

来自每样本的 Ground_Truth.json。字段名有坑，实测语义（OBJ 顶点/面复算，全部 200 个）如下—— 生成几何属性问答前必须先按这张表重解释字段：

字段	实测语义
`Number_of_Faces`	网格三角面数（200/200 等于 `Ground_Truth.obj` 的 `f` 行数），不是 B-rep 面数——一个圆柱在这里就有 140 个 "face"。拿它答"这个零件有几个面"会 200/200 全错
`Width_mm`	X 跨度（200/200 吻合）
`Height_mm`	Y 跨度（200/200 吻合），不是 CadQuery 拉伸方向：碰巧等于 Z 跨度的只有 8/200。照字面当"高度"做问答/校验会系统性错 192/200
`Depth_mm`	Z 跨度（200/200 吻合）= CadQuery 拉伸方向，即代码和 measurements prompt 里说的 "high"
`_mm` 后缀	是假的：DeepCAD 几何已归一化，会出现 `Depth_mm: 0.00391` 这种物理上荒谬的值；prompt 里则统一说 "units"

deepcad_sequence_json 是该 model_id 对应的 DeepCAD/Onshape 构造序列 json 原文，但它 与 annot/网格不共享坐标系：逐样本尺度比不定（独立复核 0/200 在 1× 对齐）。 禁止当监督信号，也不能拿来交叉校验 STL，只作编号溯源用。

网格 .obj/.stl 没有上传到本 HF 库：metadata.mesh_files 里是相对上游 zip 解压后 CAD_Code_Generation-main/CADPrompt/ 的相对路径，load_dataset 拿不到这些文件，需要自行下载原仓库（见 Provenance）。

task 码依据（照团队官方文档，非臆断）：sft_task_merge_plan_v3 定义 T-E1 = CAD Code Generation & Editing（cate E），原文 *"Generate executable parametric CAD (CadQuery) code… Executable CAD-code output is distinct from CAD perception/QA (which is T-B4 / T-B3)"*，输出为 CadQuery code。本集产出正是 CadQuery 代码，故归 T-E1 / cate E。（注：文档 T-E1 的生成路径写的是「4 orthographic renders → CadQuery code」，本集是 自然语言 → 代码，属同族但输入模态不同，已如实标注。）

Load

from datasets import load_dataset
ds = load_dataset("AI4Manufacturing/cadprompt", split="test")

原集无 train/val/test 划分，整集就是测试集（论文零训练、纯 prompting 评测的 benchmark），所以本库显式落成 test 单分片——不要把它当训练数据混进 SFT 池。 Gated — request access; granted manually.

Provenance

源：https://github.com/Kamel773/CAD_Code_Generation （数据在 CADPrompt/ 子目录，200 个以 DeepCAD 编号命名的样本目录）
论文：Alrashedy, K. et al. Generating CAD Code with Vision-Language Models for 3D Designs. ICLR 2025. arXiv:2410.05340
取舍说明：00998698 目录下有第二份构造方式不同的 GT 代码 Code_Ground_Truth_symmetrical.py （导出名也不同，是 Code_Ground_Truth.stl）；本转换统一只取每目录的 Python_Code.py。