Datasets:

AI4Manufacturing
/

deepcad

dataset_info:
  features:
    - name: query
      dtype: string
    - name: cad_json
      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: train
      num_bytes: 1402063406
      num_examples: 161240
    - name: validation
      num_bytes: 77296129
      num_examples: 8946
    - name: test
      num_bytes: 73450258
      num_examples: 8052
  download_size: 207822478
  dataset_size: 1552809793
configs:
  - config_name: default
    data_files:
      - split: train
        path: data/train-*
      - split: validation
        path: data/validation-*
      - split: test
        path: data/test-*
pretty_name: DeepCAD
license: unknown
extra_gated_fields:
  Name: text
  Affiliation: text
  Intended use: text
tags:
  - smart-manufacturing
  - cad
  - construction-sequence
  - brep
  - generative-cad
extra_gated_prompt: >-
  Released for research use; access granted manually. State your name,
  affiliation, and intended use.

DeepCAD (CAD 构造序列 · 原始 JSON)

DeepCAD（Wu, Xiao, Zheng, DeepCAD: A Deep Generative Network for Computer-Aided Design Models, ICCV 2021, Columbia CG）：178,238 个参数化 CAD 模型的构造序列。已转为团队统一 7 字段 SFT schema。

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"）。本库是原始构造序列 JSON，无图像；渲染由团队后续统一处理。

⚠ 七点必须先看

1. 许可：数据没有 license。 repo 的 MIT 只覆盖代码 —— LICENSE 全文只提 "the Software"。 DeepCAD 的 README 自己写着 *"The data we used are parsed from Onshape public documents with links from ABC dataset"*，即几何继承 Onshape ToU。上游 ABC 的 "MIT" 同样不构成数据授权：deep-geometry/abc-dataset 那个仓总共只有 3 个文件，是个代码壳子，它的 MIT 什么数据都没覆盖。repo license ≠ data license。 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。我们是研究用途（非商用），照常署名引用上游即可。

2. 无图像 → image 全为 null。 原始物是构造序列，必须先执行成 solid 再渲染。不是 raw-direct。

3. 官方 split 逐一对过账（下表全部是本次运行实数出来的，不是抄论文）：

split	split 文件列出	实际产出行数
train	161,240	161,240
validation	8,946	8,946
test	8,052	8,052
合计	178,238	178,238

实际产出合计 178,238 与论文宣称的 178,238 完全一致（运行时断言核过 split 文件与逐行产出，不是手写）。

4. train 完全没去重，validation 也没有。 论文附录 A 自己承认数据源自 ABC 而 ABC 含重复形状；作者只对 test 做了近重清洗（对每个 test 形状在 train 里找 chamfer 最近邻，低于阈值就丢）， train 原封不动、validation 什么都没做 —— 拿 validation 做模型选择存在与 train 的近重复泄漏风险。社区通行做法是先去重再用：SkexGen 提供 deduplicate.py，HNC-CAD 去重后只剩 102,114 个 solid / 124,451 条 sketch-and-extrude 序列（口径与原始 train 不同，别拿这些数去除原始 train 算去重率）。本库传的是未去重的原始版（数据策略见卡，待负责人拍板）。

5. 形状严重不平衡。 CADmium 报未过滤的 train 里约 25% 是长方体、8% 是圆柱体； Text2CAD（NeurIPS'24）也点名 DeepCAD 以长方体和圆柱体为主，限制模型对复杂形状的鲁棒性。序列长度也是长尾：论文自己承认短序列远多于长序列，模型可能偏向短序列。

6. 约 9,564 个模型根本建不出实体。 GenCAD 报 178,238 个里只有 168,674 能用 OpenCascade 建出 3D solid。团队后续统一渲染时这批会直接失败 —— 是数据固有问题，别当成渲染脚本的 bug。

7. 官方评测口径与自回归 LLM 不适配。 官方 ACC_cmd / ACC_param 是按 GT 长度截断预测、把 EOS 排除在评分外、按下标位置硬比算出来的；论文的 99.50% 只在非自回归定长并行解码下成立。 拿本库微调自回归 LLM 后用官方 test.py 评分会得到灾难性低分 —— 是指标不适配，不是模型差。 跨论文比 Chamfer Distance 前也要先对口径（后来者常改指标定义）。

已知丢弃（运行时统计）

以下均为运行时统计（非手写），差额与上表逐 split 对过账（assert 兜底）：

JSON 解析失败被弃：0 条
sequence 为空被弃（annot 会是空串，无训练价值）：0 条
split 文件列出但 tar 里没有对应 json：0 条 —— 这类 id 正是各家论文样本数对不上的机械原因。
tar 里存在但 split 文件未列（未入库）：36,855 条（前 10：0000/00000062, 0000/00000069, 0000/00000076, 0000/00000137, 0000/00000175, 0000/00000176, 0000/00000177, 0000/00000347, 0000/00000349, 0000/00000352）

数据说明

每个模型的 cad_json 含 entities（草图/拉伸的完整参数定义）、properties（包围盒）、 sequence（有序构造步骤）。annot 取 sequence（这是转换器的取舍，待负责人确认，见卡）。转换器在第一条记录上硬校验 sequence/properties 键存在（schema 漂移直接崩，不会静默产出空 annot）。
源包的 data.tar 名字骗人：它实际是 gzip（不是纯 tar），内部再套 cad_json.tar.gz（展开 3.48 GB）+ cad_vec.tar.gz（展开 712 MB）+ train_val_test_split.json。本库的转换器直接从套娃 tar.gz 流式读，不解压落地。
cad_vec.tar.gz（向量化表示）未收录 —— 与 VLM 无关。若以后要补收录，先记住这三条：存盘 args 取值 -1..255（-1 是 PAD_VAL），参数词表是 257 不是 256，官方在输入 embedding / loss / 输出 argmax 三处各有 +1/−1 移位 —— 漏任何一处，16 个参数整体偏一个量化级，指标几乎不掉（容差吃得下）但导出几何系统性歪。

Schema

query（任务提示） · cad_json（构造序列原文 JSON） · image（null —— 见上） · annot（sequence，有序构造步骤） · reasoning（null） · cate=B / task=T-B4（与已发布的 mfcad_D01_TB4 / fcad_D03_TB4 同属 CAD 几何理解族； 该归类是转换器作者的判断，Forge 文档无直接对应条目，尚未经负责人签字确认） · metadata（model_id、split、n_sequence_steps、op_types、bounding_box）

Load

from datasets import load_dataset
ds = load_dataset("AI4Manufacturing/deepcad")

Gated — request access; granted manually.

Provenance

源：http://www.cs.columbia.edu/cg/deepcad/data.tar （208,074,561 字节，匿名可下）
论文：Wu, R., Xiao, C., Zheng, C. DeepCAD: A Deep Generative Network for Computer-Aided Design Models. ICCV 2021.
代码：https://github.com/rundiwu/DeepCAD （MIT —— 仅代码）
数据许可：无（几何继承 Onshape ToU）—— 见上。请引用上游。