---
title: LevelField
canonical_url: "https://www.modelscope.cn/models/level-ai/LevelField"
md_url: "https://www.modelscope.cn/models/level-ai/LevelField.md"
repository: level-ai/LevelField
last_updated: 2026-10-19
license: "Apache License 2.0"
pipeline_tag: visual-question-answering
tasks:
  - visual-question-answering
model_type:
  - qwen3_5
architectures:
  - Qwen3_5ForConditionalGeneration
base_model:
  - Qwen/Qwen3.5-9B
base_model_relation: finetune
parameters: 9.4B
tensor_type:
  - BF16
library_name:
  - safetensors
  - pytorch
frameworks:
  - pytorch
language:
  - zh
  - en
downloads: 898
stars: 8
tags:
  - manufacturing
  - process-planning
  - machining
  - industrial-ai
  - multimodal
---

# LevelField

> LevelField - level-ai 在 ModelScope 开源的模型。LevelField：面向工程图纸的制造工艺规划模型

level-ai/LevelField 是 ModelScope 魔搭社区上的 9.4B 参数visual-question-answering模型，采用 Apache License 2.0 许可，基于 Qwen/Qwen3.5-9B 构建。

- **Repository**: level-ai/LevelField
- **License**: Apache License 2.0
- **Tasks**: visual-question-answering
- **Parameters**: 9.4B
- **Base model**: Qwen/Qwen3.5-9B
- **Tags**: manufacturing, process-planning, machining, industrial-ai, multimodal
- **Downloads**: 898
- **Stars**: 8
- **Last updated**: 2026-10-19

Source: https://www.modelscope.cn/models/level-ai/LevelField

---

# LevelField：面向工程图纸的制造工艺规划模型

**LevelField** 是面向**非标机加工工艺规划**的开源多模态模型，参数量为 **9B**。模型辅助工艺工程师解读二维制造图纸，起草加工工艺路线，并提出优化建议。

[在线体验](https://smartaps.level-ai.cn/levelField) · [ModelScope 模型仓库](https://modelscope.cn/models/level-ai/LevelField) · [Hugging Face 模型仓库](https://huggingface.co/level-ai/LevelField) · [Level AI 官网](https://www.level-ai.cn)

## 更新历史
- [10/10/2026] 更新后训练权重，提升模型性能。（v0.1.1）

## 模型概览

| 项目 | 说明 |
|---|---|
| 开发者 | Level AI（蓝沃AI） |
| 基础模型 | Qwen3.5-9B |
| 参数量 / 精度 | 9B / BF16 |
| 发布格式 | safetensors 合并权重，约 20 GB，附推理配置文件 |
| 语言 | 中文、英文 |
| 主要任务 | 图纸解读、制造工艺规划 |
| 许可证 | Apache 2.0；遵守许可证条款的前提下允许商业使用 |

## 核心能力

| 能力 | 说明 |
|---|---|
| 图纸解读 | 提取零件名称、图号、材料、尺寸、公差、表面粗糙度及其他技术要求。 |
| 工艺规划 | 根据经工程师确认的加工要求，提出工序顺序，识别不适用的工艺，并给出优化建议。 |
| 工艺覆盖 | 支持下列 18 类制造工艺；请求示例使用相同的候选工艺列表。 |

**候选工艺：** 车削、铣削、钻削、磨削、铸造、锻造、热处理、表面处理、电火花加工、钳加工、装配、齿加工、钣金成型、焊接、线切割、激光打标、检验、下料。

图纸处理流程涵盖 PDF 和图像文档。下方 API 示例发送 JPEG 图像；使用该 API 流程处理 PDF 时，请先将相关页面渲染为图像。

## 快速开始

### 1. 在线体验

打开 [LevelField 在线体验](https://smartaps.level-ai.cn/levelField)，无需本地部署即可探索图纸到工艺规划的流程。

### 2. 下载模型

```bash
pip install -U modelscope
modelscope download --model level-ai/LevelField --local_dir ./LevelField
```

### 3. 启动 vLLM 服务

原始发布说明列出的部署要求：

- vLLM 0.19.1 或更高版本。
- 至少 1 张 NVIDIA H100 GPU。
- 测试环境使用 NVIDIA CUDA 12.9。

原始说明未给出 GPU 显存容量、并发量和图像大小。实际显存需求受输入和服务配置影响；约 20 GB 的权重大小并不等于运行时所需的总显存。

在兼容的 CUDA 环境中安装 vLLM 并启动服务：

```bash
pip install 'vllm>=0.19.1'

CUDA_VISIBLE_DEVICES=0 \
OMP_NUM_THREADS=1 \
vllm serve ./LevelField \
    --host 127.0.0.1 \
    --port 18124 \
    --served-model-name LevelField \
    --reasoning-parser qwen3 \
    --chat-template-content-format openai \
    --trust-remote-code \
    --max-model-len 32768 \
    --gpu-memory-utilization 0.9 \
    --mm-processor-cache-type shm
```

该配置将服务绑定到本机，设置 32,768 token 的服务上下文上限。此数值是部署参数，并非模型最大上下文能力的声明。

### 4. 提交图纸请求

安装客户端：

```bash
pip install openai
```

将清晰的图纸保存为当前工作目录下的 `test.jpg`，然后运行以下示例。提示词要求模型从 18 类候选工艺中给出工艺序列。

```python
import base64
from openai import OpenAI
import json

client = OpenAI(api_key="EMPTY", base_url="http://localhost:18124/v1")
model = "LevelField"

SYSTEM_PROMPT = (
    "你是一位机械制造工艺设计专家。"
    "请根据工程图纸，先从图纸中提取零件信息（标题栏、技术要求等），"
    "然后推导出完整的工艺流程。请用中文输出。"
    "如果图纸不清晰、不是机械工程图纸、或无法识别关键信息，请说明原因，不要编造内容。"
)

PROCESSES = [
    "落料",
    "普车", "数车", "小普车",
    "普铣", "三轴", "四轴", "五轴", "卧加",
    "平面磨", "内外圆磨", "外圆磨", "平磨", "磨床",
    "中丝", "慢丝", "快丝", "线割",
    "穿孔", "电火花", "深孔", "深孔钻", "摇臂钻", "钻床",
    "热处理", "回火", "表面处理", "抛光",
    "检验", "三坐标", "钳工",
    "装配", "压配", "铜焊", "焊接", "热配",
    "试压", "道序委外", "流转", "动平衡", "激光雕刻",
]

EQUIPMENT_MAP = {}


def encode_image_base64(image_path):
    with open(image_path, "rb") as f:
        return base64.b64encode(f.read()).decode("utf-8")


image_path = "test.png"
image_base64 = encode_image_base64(image_path)

user_prompt = f"""【可用工序词表】
{json.dumps(PROCESSES, ensure_ascii=False, indent=2)}

【可用设备清单】
{{}}

【可用刀具清单】
{{}}

【可用检具清单】
{{}}

请分析这张工程图纸，根据上述工序词表、设备清单、刀具清单、检具清单和工艺规则，推导工艺流程并输出JSON。

要求：
1. 工序名称只能使用工序词表中的名称
2. 设备只能从可用设备清单中选择（多台设备用分号分隔），清单中无对应工序时留空
3. 刀具优先从刀具清单中选择，清单为空时根据工艺常识推导填写
4. 检具优先从检具清单中选择，清单为空时根据工艺常识推导填写
5. JSON中不要使用LaTeX格式，请使用Unicode字符（如φ）"""

stream = client.chat.completions.create(
    model=model,
    messages=[
        {"role": "system", "content": SYSTEM_PROMPT},
        {
            "role": "user",
            "content": [
                {"type": "text", "text": user_prompt},
                {
                    "type": "image_url",
                    "image_url": {"url": f"data:image/{'png' if image_path.lower().endswith('.png') else 'jpeg'};base64,{image_base64}"},
                },
            ],
        },
    ],
    temperature=0.85,
    top_p=0.95,
    max_tokens=16384,
    presence_penalty=1.0,
    stream=True,
    extra_body={
        "top_k": 20,
        "chat_template_kwargs": {"enable_thinking": True},
    },
)

print("【思考过程】", flush=True)
in_reasoning = True
for chunk in stream:
    if not chunk.choices:  
        continue
    delta = chunk.choices[0].delta
    reasoning = getattr(delta, "reasoning", None)  # 思考内容
    content = getattr(delta, "content", None)  # 最终回答
    if reasoning:
        print(reasoning, end="", flush=True)
    if content:
        if in_reasoning:  # 思考结束, 切到回答
            print("\n\n【最终回答】", flush=True)
            in_reasoning = False
        print(content, end="", flush=True)
print()
```

示例通过 `chat_template_kwargs` 开启思考模式；当响应包含 `reasoning` 字段时，先打印该字段，再打印最终回答。请配合上方包含 `--reasoning-parser qwen3` 的服务配置使用。

如需发送 PNG 图纸，请修改文件路径，并将数据 URL 的 MIME 类型改为 `image/png`。图像请求格式参考 [vLLM 多模态输入文档](https://docs.vllm.ai/en/stable/features/multimodal_inputs/)。

如果生成达到 2,000 token 上限时回答仍未完成，可在可用上下文容量内增大 `max_tokens`。

## 建议使用流程

1. 提供清晰的图纸，包含必要的视图和标注。
2. 对照图纸核实模型提取的要求，尤其是单位、公差、材料和表面粗糙度。
3. 补充生产数量、毛坯形式、可用设备、刀具和检验能力等约束。
4. 根据已确认的要求与约束生成工艺路线。
5. 由具备资质和经验的工艺工程师审核后，再用于生产。

## 训练背景

据 Level AI 发布说明，模型使用来自 16 家工厂的 10 万张制造图纸与工艺卡进行微调和强化训练。数据构建与结果验证由 Level AI 工程团队和 36 位拥有 20 年以上一线经验的工艺工程师共同完成。

发布说明尚未披露数据集划分、训练超参数、强化训练方法，以及数据集获取方式和授权细节。

## 已报告的评测结果

| 场景 | 报告结果 |
|---|---|
| 内部评测 | 模型工艺推理与资深工艺工程师决策的一致性超过 95% |
| 客户试点 | 工艺路线起草时间缩短约 60% |

以上为开发者报告的结果。发布说明未提供评测样本量、评分标准、对比基线或不确定性估计。一致性指标不应直接视为通用准确率；实际节省的时间也可能随生产场景而变化。

## 使用范围与局限

LevelField 用于辅助工艺工程师解读图纸和规划工艺。生成的路线属于待审核建议。

- 细小标注、密集图纸和含糊的几何信息可能导致提取遗漏或错误，应重点核查。
- 信息缺失可能导致无依据的假设，建议要求模型明确列出不确定项。
- 仅凭图纸无法确定现场可制造性，还需验证设备能力、夹具、刀具、材料状态和检验要求。
- 本次发布尚未分别披露不同产业、制图规范、材料和语言下的表现。
- 本次发布未确立经过验证的数控程序生成或自主生产控制能力。

## 许可证与反馈

LevelField 采用 **Apache 2.0** 许可证。再分发或商业集成前，请查阅仓库许可证条款。

如需反馈问题，可前往 [Hugging Face 社区讨论区](https://huggingface.co/level-ai/LevelField/discussions)，尽量提供服务版本、配置、提示词和可公开分享的复现样例。