AI и автоматизация

Какие нейросети понимают файлы формата DWG: разбор 2026

2026-05-23 · 9 мин чтения · ЛЭНДПРОДЖЕКТ

# Какие нейросети понимают файлы формата DWG: разбор 2026

Архитекторы и инженеры всё чаще задают этот вопрос: можно ли просто отдать чертёж в `.dwg` нейросети и попросить найти ошибки, посчитать спецификацию или сгенерировать пояснительную записку. Короткий ответ: напрямую `.dwg` не понимает ни одна публичная LLM. Длинный ответ — в этой статье. Разберём, какие модели работают с CAD-данными, через какие промежуточные форматы, и как мы в ЛЭНДПРОДЖЕКТ автоматизируем AutoCAD через Claude в реальных проектах.

Почему нейросети не читают DWG напрямую

DWG — это закрытый бинарный формат Autodesk. В отличие от текстовых форматов (JSON, XML, CSV) или даже изображений, бинарь не разворачивается без специальной библиотеки. Существует Open Design Alliance (ODA) с библиотекой Teigha, есть LibreDWG, но это нативный код, который LLM не может выполнить «внутри себя».

Когда вы загружаете DWG в ChatGPT, Claude или Gemini, происходит одно из трёх:

1. Файл просто не принимается — большинство веб-интерфейсов фильтруют по расширению.
2. Файл принимается как бинарь — модель видит несколько байт заголовка и отвечает что-то общее про CAD.
3. Файл интерпретируется как текст — модель читает первые килобайты и пытается угадать структуру. Бесполезно.

Все «магические» демонстрации, где AI «анализирует чертёж», на самом деле работают по одному из трёх сценариев ниже.

Сценарий 1: DWG → DXF → LLM (текстовый путь)

DXF (Drawing Exchange Format) — это текстовое (ASCII) представление DWG. Любая нейросеть с большим контекстом может читать DXF напрямую, если файл умещается в окно.

Что умеет любая современная LLM на DXF:

• Прочитать список слоёв и блоков;
• Найти конкретные размеры, тексты, аннотации;
• Сравнить два DXF и показать разницу;
• Извлечь спецификацию из таблиц AutoCAD (если они в DXF, а не в attached);
• Сгенерировать LISP/Python-скрипт для модификации.

Что НЕ умеет:

• «Понять» геометрию на уровне «здесь стена толщиной 200 мм граничит с окном»;
• Сосчитать площади помещений без явных STUFF-данных;
• Найти коллизии — для этого нужна 3D-модель, а не плоский чертёж.

Какие модели справляются:

• Claude Sonnet/Opus 4.x — контекст 200K токенов, отлично читает DXF до ~150 МБ ASCII;
• GPT-4.1 / GPT-5 — аналогично, иногда лучше парсит таблицы;
• Gemini 2.5 Pro — контекст 1M токенов, может проглотить почти любой DXF целиком.

Для small DWG (один план, до 5 МБ DXF) — это рабочий путь. Для рабочей документации жилого дома на 30 листах — уже нет: DXF будет 200–500 МБ.

Сценарий 2: DWG → изображение → vision-модель

Второй путь — экспортировать DWG в PNG/PDF и отдать мультимодальной модели, которая видит картинки.

Vision-модели, которые читают чертежи:

• Claude 4.x Vision — узнаёт условные обозначения, читает размеры, понимает экспликации;
• GPT-4o / GPT-5 Vision — аналогично, иногда лучше с текстом на чертеже;
• Gemini 2.5 Pro Vision — топ по точности OCR, хорошо работает с мелкими размерами;
• Nano Banana Pro (Gemini 3 Pro Image) — мы используем для рендеринга, не для анализа.

Когда это работает:

• Быстрая проверка одного листа на читаемость, состав, базовую логику;
• Извлечь спецификацию из готовой таблицы на чертеже;
• Объяснить заказчику, что нарисовано;
• Сравнить две версии плана визуально.

Когда НЕ работает:

• Анализ всего альбома РД (30+ листов, vision-модели «забывают» детали между листами);
• Точные измерения без размерных цепочек;
• Любые задачи, где нужна точная геометрия, а не «впечатление от картинки».

В ЛЭНДПРОДЖЕКТ мы используем vision-путь для код-ревью чертежа перед выдачей — нейросеть проверяет, что подписи читаемы, штампы заполнены, спецификации сходятся.

Сценарий 3: DWG → API → LLM (правильный путь)

Самый рабочий вариант — не пытаться скормить файл LLM, а наоборот: дать модели доступ к AutoCAD через программный интерфейс. Тогда модель формулирует запрос («найди все блоки `WALL` на слое `АР-СТЕНЫ` длиннее 6 метров»), скрипт выполняется в AutoCAD, и обратно идёт уже структурированный JSON-ответ.

Технологии:

• AutoCAD .NET API — пишем плагин на C#, который слушает команды от LLM;
• AutoLISP — LLM генерирует LISP-код, мы исполняем через `accoreconsole.exe`;
• AutoCAD COM — Python через `pywin32`, медленнее, но проще;
• Forge / APS API (теперь Autodesk Platform Services) — облачная обработка DWG без локального AutoCAD.

В нашем бюро работает связка Claude Agent SDK → AutoCAD Bridge на C#: модель отправляет команду в `command.json`, плагин её выполняет, результат — в `result.json`. Так автоматизированы:

• Нумерация точек на топосъёмке (команды `PPT`, `PT`, `SPT`, `OPT`, `PMT2`);
• Поиск пересечений на плане;
• Массовая замена текстов в штампах;
• Извлечение координат для генплана.

Это и есть промышленная работа с DWG — не «AI читает чертёж», а «AI управляет AutoCAD».

Сценарий 4: DWG → IFC → BIM-модели (через Revit)

Если задача — не плоский чертёж, а 3D-модель здания, то правильный пайплайн идёт через BIM. DWG конвертируется в Revit, Revit экспортирует IFC, IFC уже читается нейросетями через библиотеку `ifcopenshell`.

Что это даёт:

• LLM «видит» не линии, а семантику (стена, окно, перекрытие);
• Можно считать площади, объёмы, ТЭП;
• Можно проверять модель на соответствие нормам;
• Подходит для подачи АГР через mos.ru (требования к IFC4 RV — см. распоряжение ДГП Москвы 16.01.2026 №221-Р-1/26).

В ЛЭНДПРОДЖЕКТ этот путь используется для подачи проектов через АГР: модель Revit → пост-обработка через `ifcopenshell` → атрибуты `RusSet_*` / `RUS_*` → УКЭП → ZIP в mos.ru.

Сравнение моделей: что выбрать под задачу

| Задача | Лучшая модель | Через что |

|---|---|---|

| Чтение DXF до 100 МБ | Gemini 2.5 Pro | Текст |

| Чтение DXF до 30 МБ | Claude 4.x | Текст |

| Чтение DXF до 20 МБ | GPT-5 | Текст |

| Визуальный анализ листа | Claude 4.x Vision / GPT-5 Vision | PNG/PDF |

| OCR мелких размеров | Gemini 2.5 Pro Vision | PNG |

| Управление AutoCAD | Claude (через Agent SDK) | API |

| BIM-семантика (IFC) | Любая с большим контекстом | ifcopenshell + текст |

| Рендеринг по чертежу | Nano Banana Pro | Vision + генерация |

Частые ошибки при работе с DWG и нейросетями

1. «Залил DWG в ChatGPT, он ничего не сказал».

Сначала переведите в DXF (R12 или 2018-формат) или экспортируйте лист в PNG/PDF. Без этого модель не увидит содержимое.

2. «DXF слишком большой».

Перед экспортом очистите DWG: `PURGE` → `AUDIT` → `-PURGE All Y` → удалите неиспользуемые блоки. На РД жилого дома это часто сокращает DXF в 5–10 раз.

3. «Модель пишет ерунду про чертёж».

Vision-модели плохо работают с цветным фоном, мелкими шрифтами и пересекающимися линиями. Перед скрином — отключите штриховку, увеличьте лист, экспортируйте в PDF с разрешением 300 dpi.

4. «Хочу автоматизировать AutoCAD через нейросеть, но не знаю с чего начать».

Начните с LISP-скрипта на один use-case (например, нумерация точек) и обвяжите его LLM-генерацией кода. Это даёт быструю отдачу без полноценного API-моста.

5. «Можно ли нейросетью обучить генерировать DWG?»

Прямой генерации DWG из LLM нет. Но связка `LLM → LISP/Python-скрипт → AutoCAD → DWG` работает: модель пишет код, который рисует.

Что мы автоматизировали в ЛЭНДПРОДЖЕКТ

В нашей практике связка AI + AutoCAD/Revit закрывает:

• Топосъёмка: автоматическая нумерация точек, контроль высот, генерация ведомости. LISP-команды `PPT`, `PT`, `SPT`, `OPT`, `PMT2`. Экономия — 4–6 часов на одну площадку.
• Штампы: массовая замена текста в штампах через `accoreconsole` + LISP. Подгрузили JSON с данными — получили обновлённый альбом.
• Координация разделов: vision-проверка чертежей АР и КР на согласованность ключевых отметок.
• Спецификации: чтение таблиц с чертежей через Gemini Vision → CSV для сметы.
• Рендеринг: Revit → PNG → Nano Banana Pro → фотореалистичный рендер с сохранением геометрии (100% точность по плану).
• BIM-валидация: IFC4 → ifcopenshell → проверка атрибутов перед подачей АГР в mos.ru.

Каждый из этих сценариев — это не «нейросеть прочитала DWG», а конкретный пайплайн, где LLM выполняет одну осмысленную задачу в правильном звене.

Что выбрать, если задача разовая

Если перед вами один чертёж и нужно быстро получить ответ:

• Аналитика плана — экспортируйте лист в PDF, загрузите в Claude или Gemini, спросите конкретно.
• Спецификация — экспортируйте таблицу в PDF, попросите распознать в CSV.
• Сравнение версий — экспортируйте оба листа в PNG, загрузите оба в одну сессию, попросите выделить отличия.
• Перевод чертежа — vision-модели хорошо переводят надписи и спецификации с одного языка на другой.

Для серийных задач (десятки и сотни чертежей в месяц) — нужна автоматизация через API, и здесь без программиста или внешнего бюро не обойтись.

Реальные кейсы из практики ЛЭНДПРОДЖЕКТ

Кейс 1: посёлок на 87 участков, генплан в DWG

Заказчик прислал генплан из 12 слоёв: красные линии, инженерные сети, рельеф, участки, проезды. Нужно было выписать координаты всех 87 угловых точек участков для подачи в кадастр. Вручную — день работы геодезиста.

Что сделали: экспортировали DWG в DXF (180 МБ), отдали Gemini 2.5 Pro в один запрос с просьбой выписать координаты всех `LWPOLYLINE` на слое `УЧАСТКИ`. Получили CSV на 87 строк за 90 секунд. Сверили выборочно 10 точек — совпадение до миллиметра. Сэкономили ~6 часов специалиста.

Кейс 2: проверка штампов перед выдачей РД жилого дома

Альбом РД — 84 листа в 6 DWG-файлов. Перед выдачей нужно убедиться, что штампы заполнены корректно: шифр проекта, стадия, лист, листов в комплекте, дата, подписи. Раньше — ручная проверка ГИПом 2–3 часа.

Что сделали: написали LISP-скрипт, который через `accoreconsole` открывает каждый DWG, читает поля штампа в JSON. Получившиеся 84 объекта отдаём Claude Sonnet с инструкцией: «сравни с эталонным штампом, верни список отклонений». Модель находит расхождения за 15 секунд: где-то номер листа не совпадает с порядковым, где-то дата на старая. ГИП тратит 10 минут на правки вместо 2 часов на поиск.

Кейс 3: ведомость материалов с архивного чертежа реконструкции

Заказчик прислал отсканированный DWG советского времени с встроенной таблицей материалов. Качество скана — среднее, текст частично перекрыт штриховкой. Нужно перенести таблицу в современный формат.

Что сделали: экспортировали лист с таблицей в PDF 300 dpi, отдали Gemini 2.5 Pro Vision с прямой инструкцией «верни содержимое таблицы как CSV, сохрани все колонки». 47 строк ведомости получили за минуту, потом архитектор за 20 минут сверил с оригиналом и поправил 4 неточности. Без AI — это полдня ручного перенабора.

Куда движется индустрия

В 2026 году появились первые специализированные модели для CAD-данных. Autodesk анонсировал собственный AI-ассистент внутри AutoCAD 2026. Bricsys работает над интеграцией LLM в BricsCAD. Появляются стартапы, обучающие модели на больших корпусах DWG/RVT — пока что закрытые и платные.

Скорее всего, через 1–2 года прямая работа с DWG через LLM станет нормой. Но пока — пайплайн через DXF, vision и API остаётся единственным рабочим способом.

Закажите проект в ЛЭНДПРОДЖЕКТ

Если вашему бюро нужна автоматизация AutoCAD или Revit через AI — мы 10+ лет проектируем жилые и общественные здания, посёлки, интерьеры, и за последние два года выстроили внутреннюю связку Claude Agent SDK + AutoCAD/Revit Bridge. Помогаем настроить аналогичный процесс у заказчика, передаём LISP/Python-скрипты, интегрируем с Bitrix24 и Yandex.Disk.

Полный цикл проектирования: ЭП → П → РД → авторский надзор. AGК, ППТ, КРТ, реконструкция, интерьеры. Подача АГР через mos.ru.

Закажите проект в ЛЭНДПРОДЖЕКТ