La pregunta que se responde con mi tésis

💡 Pregunta de investigación

Partiendo de un modelo 3D en formato de vértices y caras, ¿cómo podemos transformar esa información a un lenguaje reducido en tokens y más simple para que un LLM local lo entienda y lo procese de forma óptima?

✨ Modelo 3D = archivo .obj con vértices y caras
⚙️ LLM local = modelo tipo ChatGPT corriendo en nuestro PC

🧩 Objetivo del estudio

El objetivo es diseñar una representación intermedia del 3D, más compacta y semántica que el .obj original, que:

• Reduzca el número de tokens necesarios para describir el modelo.
• Sea fácil de parsear por un LLM (estructura clara y repetitiva).
• Conserve la información geométrica relevante (vértices, caras, relaciones).
• Permita que el LLM razone sobre el modelo (simulación, optimización, instrucciones de fabricación…).

📘 Resumen

El punto de partida es el archivo .obj, que describe el modelo mediante listas de vértices (coordenadas 3D) y caras (índices que conectan esos vértices). Sin embargo, el formato .obj no está pensado para ser “leído” por un LLM, sino por software de gráficos.

Para hacerlo más eficiente, proponemos un lenguaje intermedio:

• Eliminar información redundante y comentarios del .obj.
• Normalizar el modelo (por ejemplo, escalado a un rango fijo y centrado en el origen).
• Codificar los vértices como una lista compacta con un prefijo claro, por ejemplo:
  VERTS: (0.0,0.0,0.0); (1.0,0.0,0.0); ...
• Codificar las caras como índices sobre esa lista:
  FACES: (1,2,3); (1,3,4); ...
• Opcionalmente agrupar por subpiezas o regiones si el modelo es complejo.

De esta forma, el LLM no recibe el .obj bruto, sino una versión más corta, estructurada y semántica, pensada para minimizar tokens y maximizar comprensión. A partir de ahí, el modelo puede:

• Generar explicaciones sobre la geometría.
• Proponer simplificaciones o transformaciones.
• Ayudar a derivar código de máquina o parámetros para simulación e impresión metálica.

⚙️ Flujo de trabajo propuesto

1. Cargar el archivo .obj de la pieza 3D.
2. Extraer solo la información esencial: vértices y caras.
3. Normalizar y limpiar los datos (escala, precisión decimal, orden).
4. Transformar a un lenguaje textual compacto (pocas palabras clave, muchos números).
5. Enviar este lenguaje al LLM local junto con las tareas deseadas (analizar, optimizar, simular…).