材料挤出3D打印虽日益普及，但高达41.1%的故障率一直是其规模化应用的主要障碍。一项突破性研究利用大型语言模型作为自主控制器，无需训练即可实时监测并修正打印缺陷，显著提升了打印件的机械性能与质量，为增材制造的智能化发展开辟了新路径。
智能速览
大语言模型无需训练即可自主控制3D打印过程
该框架能实时识别并修正挤出、翘曲等多种打印缺陷
机械性能测试显示，优化后打印件峰值载荷最高提升5.06倍
LLM在检测部分缺陷时，比人类专家更早、更准
该框架具备跨平台通用性，无需针对新硬件重新训练
精华内容
将大型语言模型作为3D打印的自主控制器，能否彻底解决长期困扰该工艺的稳定性难题？一项研究给出了肯定的答案，并带来了惊人的性能提升。
自主控制新范式
传统FDM 3D打印面临高故障率，现有解决方案普遍存在通用性差、依赖数据或成本高昂的困境。卡内基梅隆大学的研究团队提出了LLM-3D Print框架，利用大型语言模型作为核心控制器。该框架通过摄像头捕获每层打印图像，由LLM进行视觉分析，识别缺陷，并自主规划执行参数调整，整个过程无需针对特定打印机或材料进行模型微调，实现了无规则、自我改进的控制范式。
质量与强度跃升
实验结果充分验证了该框架的有效性。经LLM优化的打印件在视觉上呈现出边缘更清晰、表面更光滑、挤出更一致的特点。在更关键的机械性能方面，通过对方形、六边形等四种结构的压缩测试，优化后的样品峰值载荷能力获得了显著提升：方形结构提升5.06倍（从约0.8kN增至4.0kN以上），六边形结构提升1.60倍，半球形结构提升1.34倍，拉胀结构提升2.46倍。
超越人类的洞察力
在与不同经验水平工程师的对比评估中，LLM不仅可靠识别了挤出不一致、拉丝、翘曲等常见故障，更展现出超越人类的洞察力。研究显示，LLM能在多层打印中比人类专家更早识别出层分离等新兴复杂缺陷的早期迹象。混淆矩阵分析表明，LLM在识别高影响缺陷方面具有更高的精度和召回率，而人类检测则表现出更大的变异性。
通用性与安全性
该框架展现了出色的跨平台通用能力。研究团队将其从一台打印机部署到另一台缺少自动调平传感器的打印机上，仅需通过修改提示语移除相关参数即可成功适配。在安全性方面，系统被严格设计为只修改运行时参数，绝不改变原始G代码，防止了对工具路径的意外修改。其模块化架构支持完全本地部署，确保了专有设计数据的安全。
