Нейросеть для чертежей: может ли начертить?

Может ли нейросеть начертить чертёж по ГОСТ?

Нет, и это стоит принять сразу. Генеративная модель рисует картинку, похожую на чертёж: линии, выносные стрелки, цифры рядом с ними, рамка со штампом. Соответствия между цифрой на размерной линии и реальной длиной отрезка в этой картинке нет — модель не решает геометрическую задачу, она подбирает правдоподобные пиксели.

Спрос при этом живой. Wordstat в августе 2026 отдаёт 707 показов в месяц у фразы «нейросеть для чертежей», 230 у «нейросеть для создания чертежей» и по два десятка у хвостов «в автокаде» и «для проверки чертежей». Русские подборки отвечают на это списками из двадцати сервисов, но не показывают, что происходит с размерами.

Полезного при этом много: идеи, эскизы, разбор чужого чертежа, текстовая часть документации. Просто это другой набор задач, чем черчение.

Почему модель не держит размеры и масштаб?

Потому что точная геометрия — слабое место всех современных мультимодальных моделей, и это измерено. Работа Vision language models are blind собрала набор BlindTest из семи задач, которые человек решает не задумываясь: пересекаются ли две окружности, сколько раз пересекаются два отрезка, какая буква в слове обведена, сколько кругов в логотипе олимпийского типа.

Четыре передовые модели показали на этом наборе в среднем 58,07% точности. Лучший результат — 77,84% у Claude 3.5 Sonnet, при ожидаемых 100% у человека. Авторы отдельно проверили, где ломается цепочка: линейное зондирование показало, что визуальный энкодер нужную информацию содержит, а языковая часть модели не умеет её оттуда достать. То есть модель «видит» линии, но не может пересчитать их пересечения.

Чертёж — это ровно такая задача, только сложнее. Там надо одновременно удержать пропорции, замкнуть размерные цепочки и не потерять привязки. Диффузионная модель, которая рисует изображение, ни одного из этих ограничений не проверяет.

Что вышло, когда мы попросили начертить кронштейн

Мы дали Nano Banana Pro однозначное задание: ортогональный вид плоского стального кронштейна 120 × 60 мм с двумя отверстиями Ø10, межцентровое расстояние 40 мм, 30 мм от верхней кромки, с размерными линиями и штампом. Вот что получилось.

С первого взгляда чертёж как чертёж: рамка, штамп, стрелки, все подписи на месте. Дальше мы измерили картинку в пикселях и пересчитали через её же масштаб — длинную сторону, подписанную «120».

Размер	Подписано	Фактически на картинке	Расхождение
Длина пластины	120	120 (принято за масштаб)	—
Высота пластины	60	около 66	+10%
Межцентровое расстояние	40	около 47	+18%
Диаметр отверстия	Ø10	около 10	совпало

Отношение сторон вышло 1,82 вместо ровных 2,0. Один размер из трёх модель угадала, два поехали настолько, что деталь по такому чертежу не изготовить. В штампе строка «MATERIAL» стоит дважды, одна из них пустая, дата проставлена от балды, а масштаб указан как 1:1, хотя рисунок явно не в натуральную величину.

Вывод простой: чертёж из генератора картинок годится как иллюстрация к идее и не годится ни как рабочий документ, ни как основа для замеров. Проверять его придётся по каждому размеру, а это дольше, чем начертить самому.

Где нейросеть для чертежей реально помогает?

На этапах вокруг черчения, а не в самом черчении. Устойчиво работает вот что.

Задача	Что делает ИИ	Что остаётся человеку
Поиск идеи и компоновки	накидывает варианты формы узла, показывает референсы конструкции	выбрать реализуемый вариант, проверить прочность
Эскиз для обсуждения	рисует понятную картинку вместо описания словами	перевести в CAD с реальными размерами
Разбор готового чертежа	читает штамп, перечень, обозначения, объясняет незнакомые символы	проверить размерные цепочки самому
Текстовая часть документации	пишет пояснительную записку, описание техпроцесса, перечень элементов	сверить с нормативами и подписать

Четвёртую строку обычно пропускают, а зря. Пояснительная записка, описание сборки и перечень элементов — это обычный текст, и с ним языковые модели справляются на порядок лучше, чем с линиями. Здесь ИИ экономит реальные часы.

Эскизы удобно делать в каталоге моделей Trackly: модели изображений там понимают русский, работают без VPN и оплачиваются рублями. Только не просите у них размерные линии — просите форму.

Как разобрать готовый чертёж с помощью ИИ?

Загрузите изображение чертежа в текстовую модель с поддержкой картинок и спрашивайте про текст, а не про геометрию. Такие модели у нас есть: Gemini 2.5 Pro и Claude Sonnet 4.6 принимают изображения на вход и отвечают по-русски.

Что спрашивать имеет смысл:

• расшифровать обозначения шероховатости, допусков и посадок;
• пересказать содержимое штампа и технические требования простым языком;
• объяснить, что означает конкретный символ или сокращение;
• собрать перечень позиций со сборочного чертежа в таблицу.

Чего спрашивать не стоит: «проверь, сходятся ли размеры» и «посчитай массу детали». Помните про 58% на элементарных геометрических задачах — счётом по картинке модель не занимается. Если на чертеже плохо читается текст, сначала прогоните скан через распознавание: про это у нас есть гайд по распознаванию текста с картинки.

Есть ли нейросеть, которая делает параметрический CAD?

Есть, но пока в основном в исследованиях. Ключевая разница: такие модели генерируют не картинку, а последовательность CAD-операций — эскиз, вытягивание, скругление. Из последовательности потом строится настоящая параметрическая модель, у которой размеры можно менять.

Первой этот путь описала работа DeepCAD: авторы предложили описывать форму как последовательность команд САПР и собрали для обучения набор из 178 238 моделей с их построением. Продолжение — Text2CAD, где к тем же моделям добавили около 660 тысяч текстовых описаний разного уровня: от «сделай два соосных цилиндра» до формулировок с координатами центров и радиусами. Аннотации размечали с помощью Mistral и LLaVA-NeXT, а генерирует последовательность авторегрессионный трансформер.

Из живого продукта ближе всех команда Zoo: их интерфейс к Text-to-CAD API выложен под лицензией MIT, а сам редактор хранит модель как читаемый код на языке KCL, который можно держать в git. Это уже не картинка, а геометрия — но и запросы там принимаются простые, до рабочей документации по ГОСТ дистанция большая.

Как сформулировать запрос, чтобы эскиз был полезен?

Опишите функцию узла и ограничения, а цифры оставьте себе. Модель хорошо отвечает на «что-то вроде», плохо — на «ровно столько».

Рабочая структура запроса выглядит так: что за деталь и для чего, из чего сделана, как крепится, какой вид нужен, в каком стиле рисовать. Например: «эскиз кронштейна для крепления полки к бетонной стене, гнутый стальной лист, две точки крепления в стену и две к полке, вид сбоку, чёрные контурные линии на белом фоне, без размерных линий».

Отдельно про фразу «без размерных линий». Стрелки с цифрами создают иллюзию точности, которой нет, и потом кто-нибудь по ним закажет резку. Чистый эскиз без цифр честнее. Общие приёмы составления запросов разобраны в статье про промпты для нейросетей.

Просить чертёж «в стиле КОМПАС» или «как в Автокаде» бесполезно вдвойне: интерфейс модель нарисует похоже, а файл DWG или FRW всё равно не появится. На выходе будет PNG.

Что не стоит отдавать нейросети

Всё, за что кто-то расписывается. Рабочая документация, расчёт нагрузок, деталировка под изготовление, любые размеры, по которым будут резать металл или заливать бетон — это зона ответственности инженера с подписью и печатью, и никакая модель её не берёт.

Второй запрет практический: не загружайте в публичные сервисы чертежи, составляющие коммерческую тайну или подпадающие под NDA. Это касается не только ИИ, но про облачный чат об этом почему-то забывают чаще.

Если объёмная модель нужна не под изготовление, а под визуализацию, посмотрите обзор открытых нейросетей для 3д — там разобрано, что генераторы отдают на выходе. А для интерьерных задач ближе окажется гайд по дизайну интерьера нейросетью.

Источники

• Vision language models are blind, arXiv 2407.06581 — набор BlindTest, средняя точность 58,07% и разбор причины через линейное зондирование (проверено 07.08.2026)
• DeepCAD: A Deep Generative Network for Computer-Aided Design Models, arXiv 2105.09492 — датасет из 178 238 моделей с последовательностями операций (проверено 07.08.2026)
• Text2CAD: Generating Sequential CAD Models from Beginner-to-Expert Level Text Prompts, arXiv 2409.17106 — около 660 тысяч текстовых аннотаций и авторегрессионный трансформер (проверено 07.08.2026)
• Zoo Text-to-CAD UI, репозиторий под лицензией MIT (проверено 07.08.2026)
• Gemini API: генерация изображений — модель, на которой мы делали замер (проверено 07.08.2026)