AdditiveLLM：大语言模型预测金属增材制造缺陷

激光粉末床熔融（L-PBF）中，工艺参数的组合直接决定熔池形态，选得不合适就会滑向未熔合、匙孔或球化这几类缺陷，而参数选择长期依赖材料领域的知识与反复试错。这份资料要回答的问题很直接：把材料、功率、扫描速度这类参数交给大语言模型，它能不能判断出这组参数会落在哪个缺陷区间。它值得现在看的地方在于，把“上机前先筛一遍参数”这件事从跑仿真、打试样，变成一次文本推理——输入既可以是结构化字段，也可以是一句自然语言描述。

覆盖范围是 L-PBF 的熔池数据与缺陷分类。作者使用一个工艺参数-缺陷数据集，把任务设定为多标签分类：给定一段描述构建过程的输入，模型输出 Keyholing、Lack of Fusion、Balling 与 None（无缺陷）的组合，标签做 one-hot 编码。参与微调的是一组统称为 AdditiveLLM 的模型，具体包括 DistilBERT、SciBERT、LLama 3.2 和 T5，都取较小参数量的版本，理由是缺陷区间判断这类特定任务更需要轻量高效，而不是模型规模。为了看清输入形式的影响，作者构造了两种格式——稀疏的 Baseline 数据集与自然语言写的 Prompt 数据集，在同一任务上做对比。

最硬的数字是 93%：当要求模型给出某组工艺参数对应的缺陷类型时，它达到了这一准确率，作者据此称其具备稳健的预测能力。类别覆盖了增材制造里最常被讨论的三种失效模式，再加上“无缺陷”，所以模型给出的不只是一个报警信号，而是一个带类型的组合。需要留意的是，材料没有拆分这 93% 分别属于哪种输入格式、哪个模型，也没有给出各类别的分项表现。

输入格式的对比是这项工作的另一半。作者把同一批工艺参数分别写成稀疏的键值式记录和自然语言句子，观察模型在两种表述下的判断是否一致、哪一种更容易学。这个设计与架构选择相关：BERT 一路（DistilBERT、SciBERT 属于此列）用双向上下文表示输入，能同时利用掩码两侧的 token；GPT 类则按文本生成的顺序单向建模，LLama 3.2 属于后者。论文同时交代了物理侧的判据作为参照——Width/Depth 大于 1.5 时易出现匙孔孔隙，hatch spacing 与 width、layer height 与 depth 的平方和开方不超过 1 是熔透条件，2×Length/Width 超过 π 则可能球化，这些阈值会随材料变化。

这意味着，在一次实际打印之前，工程师可以先让模型对候选参数做一轮筛查，不必每次都跑仿真或打试样，参数空间的搜索成本随之下降。自然语言输入的加入进一步降低了使用门槛——不必记住字段顺序和格式，用一句话说明材料、功率、速度就能发问。换个角度看，它更像是把已有的物理判据和实验数据压缩进模型，让判断以对话形式可取用，而不是替代熔池物理本身；93% 也应当理解为特定数据集与特定类别划分下的结果，而非普适精度。

做增材工艺开发、参数窗口筛选，或者关心大语言模型在工程分类任务上如何落地的人，读这份资料能拿到三样东西：一个明确的任务设定（参数文本进、缺陷组合出）、一组可对比的模型与输入格式选择、一个可参照的准确率基线。读的时候也该清楚它的边界：材料呈现的主要是任务定义、数据格式与方法框架，数据集规模、各模型的训练细节、93% 之外的分项误差、以及与解析判据基线的直接对比，都不在已给出的内容里；跨材料、跨设备的泛化表现同样没有交代。记住这些留白，比记住那个百分数更有用。

AdditiveLLM: Large Language Models Predict Defects in Metals Additive Manufacturing Peter Pak† and Amir Barati Farimani∗,†,‡ † Department of Mechanical Engineering, Carnegie Mellon University, Pittsburgh, PA, USA ‡ Machine Learning Department, Carnegie Mellon University, Pittsburgh, PA, USA E-mail: [email protected] Abstract In this work we investigate the ability of large language models to predict additive manufacturing defect regimes given a set of process parameter inputs. For this task we utilize a process parameter defect dataset to fine-tune a collection of models, titled AdditiveLLM, for the purpose of predicting potential defect regimes including Keyhol- ing, Lack of Fusion, and Balling. We compare different methods of input formatting in order to gauge the model’s performance to correctly predict defect regimes on our