Live RoughCut-Bench: Neuer Benchmark prüft automatisches Rohschneiden von Videos
↘

MillBill: Lokales 27B-Modell plant die Fräsbearbeitung, ein Harness rechnet die Geometrie

Ein neues Paper trennt Bearbeitungsentscheidungen von der numerischen Ausführung. Die Ergebnisse stammen nur von den Autoren und sind simuliert.

· Veröffentlicht: 21.11.2026 ·2 Min Lesezeit
MillBill: Lokales 27B-Modell plant die Fräsbearbeitung, ein Harness rechnet die GeometrieMit KI erstellt
Inhalt
◆ Fakten auf einen Blick
  • Das Paper „MillBill“ ist auf arXiv (2611.22565) veröffentlicht; Code und Datensatz liegen auf GitHub bzw. Hugging Face.
  • Eingaben sind B-Rep-Teil, Rohteil und Material; Ausgabe ist G-Code für indexiertes 3-Achs-Fräsen.
  • Ein geometrischer Harness erzeugt Werkzeugwege, simuliert Materialabtrag und liefert Oberflächenabweichungen als Feedback zurück.
  • Bewertet wird der Anteil der Zielfläche innerhalb der Toleranz nach simulierter Bearbeitung, ohne reales Fräsen.
  • Mit Qwen3.8-27B übertrifft MillBill laut Paper Frontier-Modell-Ansätze auf den ausgewerteten Aufgaben.

Das Modell schlägt vor, der Harness rechnet

Das Paper „MillBill: A Machining Agent with Geometric Feedback“ (arXiv:2611.22565) beschreibt einen Agenten, der aus einem B-Rep-Teil, einem Rohteil und dem Material G-Code für indexiertes 3-Achs-Fräsen erzeugt. Ein lokal gehostetes, mittelgroßes offenes Modell, Qwen3.8-27B, schlägt lediglich Operationen, Werkzeuge und Schnittparameter vor. Ein geometrischer Harness erzeugt die Werkzeugwege, simuliert den Materialabtrag und meldet Oberflächenabweichungen zurück, sodass der Plan verfeinert werden kann. Das Modell schreibt weder Koordinaten noch G-Code.

Die Autoren begründen die Trennung so: Schreiben Sprachmodelle Geometrie- und Werkzeugwegcode selbst, wird die numerische Ausführung Teil ihrer Aufgabe.

Setups nach physischer Erreichbarkeit durch die Fräser

Die Setup-Planung richtet sich danach, was die verfügbaren Fräser tatsächlich erreichen, nicht allein nach Sichtbarkeit. Laut Anleitung im Repository ist ein Setup der Standard. Mit „auto“ sind bis zu sechs indizierte Setups erlaubt. Alternativ lässt sich ein Maximum vorgeben, etwa 3.

Für den Betrieb benötigt der Harness FreeCAD und einen OpenAI-kompatiblen Server. Vorgegeben sind http://127.0.0.1:8013/v1 und das Modell qwen3.8-27b. Ist AAGNet nicht konfiguriert, greift ein regelbasierter Merkmalserkenner. Ein Demo-Lauf erzeugt report.md, program.ngc und session.json. Der Code liegt auf GitHub (kulibinai/millbill), der Datensatz auf Hugging Face.

Überlegenheit gilt nur für Autorenaufgaben und simulierte Metrik

Bewertet wird der Anteil der Zielfläche, der nach simulierter Bearbeitung innerhalb der Toleranz liegt. Laut Paper übertrifft MillBill mit Qwen3.8-27B Ansätze mit Frontier-Modellen, die eigene Geometrie- und Werkzeugweg-Workflows bauen, auf den ausgewerteten Aufgaben. Die KI-Zusammenfassung von agihunt spitzt das zu: „local 27B model beats frontier models“.

Die Aussage ist enger gefasst als die Überschrift. Die Angaben stammen allein von den Autoren, die Aufgaben haben sie selbst gewählt, und die Ergebnisse sind simuliert, nicht an realen Maschinen belegt. Datensatz und Code erlauben eine Nachprüfung. Aufgabenzahl, Vergleichsverfahren und Streuung stehen im Volltext des Papers und sind hier nicht ausgewertet.

GLLM und Separation-Logic-Ansatz lassen das Modell Code schreiben

Frühere Arbeiten gehen anders vor. GLLM nutzt ein feinabgestimmtes StarCoder-3B mit Retrieval-Augmented Generation und Selbstkorrektur. Die Ausgabe prüfen Syntaxkontrolle und Hausdorff-Distanz. Ein Neuro-Symbolik-Ansatz koppelt GLLM mit einem Separation-Logic-Prüfer. Dieser formalisiert Kollisionen als „Spatial Data Races“ und gibt sie als Feedback zurück. In beiden Fällen erzeugt das Modell den Code selbst. Bei MillBill liegt die numerische Geometrie dagegen vollständig im Harness.

A
Andreas Rüdiger
Herausgeber & Redaktionsleitung · KI-Modelle, Technik & Business

Andreas Rüdiger ist Gründer der Agentur INREMA und verantwortet KI Spotlight redaktionell. Sein Schwerpunkt liegt auf KI-Modellen, Recheninfrastruktur, technischen Entwicklungen und der wirtschaftlichen Einordnung. Er sorgt dafür, dass komplexe KI-Themen verständlich und nachvollziehbar aufbereitet werden. Mehr zu ihm auf inrema.de und andiger.de.

Ähnliche Artikel