image 列自带真实图像字节（源库就是 struct<bytes, path>）。它是黄色组 CAD 半边 唯一一个真正 raw-direct 的数据集 —— 其余（MFCAD / MFInstSeg / FeatureNet / DeepCAD / ABC …）都是 STEP / STL / 构造序列，必须先渲染。

编码注意：HF parquet 里的图是 JPEG，不是 PNG。本次转换逐行做了 magic-bytes 运行时校验，实测格式：PNG 163,671 行。PNG 版本只存在于 GitHub repo（anniedoris/CAD-Coder）—— 同一份数据两种编码，训练/评测混用两个来源时要注意。

🔴 登记表里这一行有两处错

名字错了。 登记表写 "CAD-Coder" —— 那是模型名。数据集真名叫 GenCAD-Code （CADCODER/GenCAD-Code）。
raw_direct 写反了。 登记表写 NO，**实测是 YES**（图像已内嵌，见上）。

⚠ 行数与外部说法对不上（本库以实测为准）

split	行数（实测）
train	147,289
validation	8,204
test	7,355
none	823
合计	163,671

参照系：HF datasets-server 声明 3 个 split 共 162,848 行（train 147,289 / validation 8,204 / test 7,355）；上游 split.csv 共 163,671 行；论文写 163,671、val 9,027（把 none 的 823 行计进了 validation）。微信里提到的 156,954 跟哪个口径都对不上（与 163,671 差 6,717）。 本库不采信任何一边，只报实测值，差异待组会核对口径。

none split：本次运行确实从源库拉到了它，但它不在源库声明的 split 里 —— 保留并标注。 实际拉到 data/none-00000-of-00001.parquet（3,178,731 字节，实测 823 行），本库保留为独立 split、未并入 train（并入会改变已声明的划分）。但注意：HF datasets-server /size 只声明 train/validation/test 三个 split（共 162,848 行），官方转换脚本 gencadcode_to_hf.py 也用 if split_name != "none" 把它排除在推送之外 —— 它是个 未声明 的文件。none 对应上游 split.csv 的第四个取值（823 行，官方代码注释指向渲染图缺失）；论文把这 823 计进 validation，所以论文写 163,671 / val 9,027。

源 parquet 实测合计 728,213,069 字节；3 个已声明 split（4 个 parquet 文件）的声明字节数合计 725,034,338 字节。

转换时跳过的行（运行时统计）：空 image 0 行；cadquery 为 null/空串（防止产出空 annot target）0 行。

⚠ 用之前先自己去重（test 内部实测 11.4% 逐字节重复）

核查抽样 test 前 2,000 行复算：1,848 个唯一 CadQuery 串、227 行（11.4%）落在重复组、最大重复组 17 次；旗舰 100 评测子集成员 0016/00167991 就在一个大小为 8 的重复组里。train↔test 跨 split 泄漏没人验证过（旁证：CADBench 用同一份 test split 时明说先做了去重和单体过滤）。本库原样保留源库的行与划分、未做去重 —— 当 SFT 语料用之前需自行去重。

⚠ 每个模型只有一张图，别拿上游 `_1~_4` 做多视角增强

本集每行只有一张 448×448 等轴测渲染图（对应上游的 {id}_0.png，未缩放视角）。上游还有 _1~_4 四张 —— 那是把实体沿 xyz 缩放后重渲的，与未缩放的 annot 代码几何对不上，拿去做"多视角增强"就是全量图-标签错配。论文那句 "each matched with five CAD rendered images" 说的不是 5 个可用视角。HF 卡和论文都不写这一条，最容易踩。

输出契约：最终实体必须赋给变量 `solid`

annot 里的 CadQuery 代码统一把最终实体赋给名为 solid 的变量 —— 官方评测脚本直接往生成代码后面拼 cq.exporters.export(solid, ...) 导 STEP。做 SFT 或自建 eval 时若不保留这个约定，代码能跑通但导不出几何（会被官方 IoU 流程静默踢出分母）。

⚠ 许可：未声明

HF 数据集页的 cardData.license 返回 None，tags 里没有任何 license: 标签 → 数据集本身没给许可证。上游血缘（ABC → DeepCAD → GenCAD-Code）不构成授权：那些仓的 MIT 只覆盖代码不覆盖数据，且几何继承 Onshape ToU。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。

Schema

query（源库自带的 prompt；固定 106 字符指令模板、逐行相同，本次实测与模板不一致(含缺失) 0 行，缺失行回填同一模板） · image（已内嵌，实测 PNG 163,671 行） · annot（CadQuery 代码，ground truth） · reasoning（null） · cate=E / task=T-E1（⚠ 占位符 —— 图像→代码生成在正式任务表里没有干净对应， T-B4 是几何理解，不是这个；没猜，待组会定；脚本内注释与此同口径） · metadata（deepcad_id、split、image_path、image_format、token_count、hundred_subset、source_prompt）

⚠ metadata.token_count 不是代码长度：官方转换脚本里它 = 代码 token + 图像 577 + prompt 69，想按代码长度筛必须先减 646（论文说的平均 611 token/脚本是纯代码口径）。而且上游只为 train/test 生成了 token 计数，validation 整列是 null（核查员抽 4 个 offset × 100 行 nonnull=0；本次转换实测各 split 非空行数：train 147,289/147,289, validation 0/8,204, test 7,355/7,355, none 0/823）—— 任何 token_count <= N 之类的过滤都会把整个 validation split 静默清零。本库不做任何过滤、原样带出。

metadata.deepcad_id 可与 AI4Manufacturing/deepcad 对齐（同一 DeepCAD 编号体系）。

Load

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

Gated — request access; granted manually.

Provenance

源：https://huggingface.co/datasets/CADCODER/GenCAD-Code（源库公开、未 gated；本库按团队规矩 gated=manual 转发）
代码仓：https://github.com/anniedoris/CAD-Coder （Apache-2.0 —— 仅代码）；论文 arXiv:2505.14646
数据许可：未声明 —— 见上。请引用上游。

Downloads last month: 13

Total file size:

821 MB

Paper for AI4Manufacturing/gencad_code

CAD-Coder: An Open-Source Vision-Language Model for Computer-Aided Design Code Generation

Paper • 2505.14646 • Published May 20, 2025

You need to agree to share your contact information to access this dataset

GenCAD-Code — 图像 → CadQuery 代码（唯一 raw-direct 的 CAD 集）

🟢 这个集不用渲染，可以直接喂 VLM —— 但图是 JPEG 不是 PNG