# Le MIT simplifie la création d’objets 3D pour les novices > Le MIT, Google et Northeastern ont développé InstructMesh, un outil qui corrige des modèles 3D générés par IA avant leur fabrication. Type : Actualité IA · Catégorie : Outils · Publié le 2026-10-02 · Signal IA - Order & Chaos · Secteur : Industrie Source : https://www.orderchaos.eu/signal-ia/actu/instructmesh-permet-aux-novices-de-reparer-les-modeles-3d Tags : ia générative, impression 3d, modélisation, fabrication, chatgpt, raisonnement, llm --- ## En résumé - InstructMesh génère des objets 3D et permet de sélectionner les zones à corriger. - Près de 80 % des modèles recréés depuis Thingiverse présentaient un défaut structurel. - Des novices ont identifié et corrigé ces problèmes environ 90 % du temps. **Le signal :** InstructMesh a permis à des novices de repérer et corriger environ 90 % des défauts évalués par un expert. **Le MIT présente** InstructMesh, un outil conçu pour générer, corriger et fabriquer des objets en trois dimensions. Les chercheurs du MIT CSAIL ont développé ce logiciel avec [Google](/signal-ia/actu/google-revele-le-talon-dachille-des-modeles-de-pointe) et Northeastern University. L’utilisateur décrit un objet, comme une tasse ou des lunettes, puis sélectionne les zones à modifier sur le modèle. InstructMesh propose ensuite des ajustements avant l’impression 3D. Cette approche répond à un problème identifié par l’équipe. Les systèmes génératifs comprennent généralement l’apparence d’un objet, mais pas toujours son fonctionnement. Une tasse générée peut donc être incapable de contenir du café. La publication du MIT date du 1er octobre 2026, soit la veille de cet article. **L’outil combine** le système TRELLIS de Microsoft et le modèle de langage GPT-4. TRELLIS génère des modèles 3D à partir de textes et d’images. GPT-4 apporte des capacités de [raisonnement](/signal-ia/actu/deepambigqa-teste-les-reponses-completes-des-llm) et d’interprétation des demandes. Les chercheurs ont conçu une interface permettant de décrire un problème en langage naturel. L’utilisateur peut aussi employer des curseurs pour agrandir ou extruder une partie précise. Les modifications sont réalisées dans l’espace latent du modèle génératif, puis présentées dans la géométrie de l’objet. Cette organisation vise les experts comme les débutants. Les objets testés incluent des supports de téléphone, des vases et des accessoires destinés à l’impression 3D. ## InstructMesh associe TRELLIS et GPT-4 **Les chercheurs ont testé** InstructMesh avec des modèles populaires de Thingiverse, une plateforme qui héberge des millions de modèles imprimables. TRELLIS a recréé ces modèles pour permettre l’évaluation des défauts structurels. Près de 80 % des modèles générés comportaient au moins un problème. L’équipe a ensuite demandé à des novices de repérer et de corriger ces erreurs dans InstructMesh. Un expert a évalué leurs résultats. Les participants ont réussi à identifier et corriger les défauts environ 90 % du temps. Les chercheurs indiquent que l’intuition des débutants a compensé leur absence d’expérience en modélisation 3D. Les utilisateurs ont également jugé l’outil facile à utiliser. **Les exemples incluent** une tasse entourée par un dragon, dont la queue forme l’anse. L’équipe a aussi fabriqué un sifflet bleu brillant inspiré d’une coquille et des lunettes dotées d’ailes de papillon. Un distributeur en forme de pieuvre pouvait faire couler des liquides par chaque tentacule vers plusieurs récipients. Les chercheurs ont également produit une genouillère ressemblant à du jean pour s’accorder avec un pantalon. Un robot à poils, conçu comme une crevette colorée, abritait un moteur sans fil. Une fois activé, ce robot glissait sur les surfaces. Ces exemples montrent les usages explorés pour des objets domestiques, des accessoires et des robots. ## Les chercheurs préparent de nouveaux usages **Faraz Faruqi travaille** désormais chez Google et envisage d’intégrer InstructMesh à une plateforme de réalité augmentée. Dans cette approche, l’utilisateur décrirait un besoin en tenant compte de son environnement. Le système pourrait alors produire rapidement un objet adapté, comme une coque de téléphone assortie à un portefeuille. Cette intégration est présentée comme une vision du projet, et non comme un résultat déjà déployé. Les chercheurs envisagent également des simulations physiques. Elles pourraient modéliser la réaction d’un objet à certains usages, par exemple la résistance d’un bol après une chute. L’équipe souhaite aussi évaluer quels matériaux conviendraient le mieux à chaque conception. **La prochaine présentation** du projet est prévue en novembre au symposium ACM sur les logiciels d’interface utilisateur et la technologie. Les travaux sont décrits dans l’article [InstructMesh: Selective Refinement of Generative 3D Models for Fabrication](https://arxiv.org/abs/2608.28534). Le logiciel associe la génération visuelle de [TRELLIS](https://microsoft.github.io/TRELLIS.2/) et l’interprétation textuelle de GPT-4. Le projet a reçu notamment le soutien de Google et du programme de [recherche](/signal-ia/actu/google-research-accelere-la-recherche-avec-retrieve-for-train) collaborative MIT-HPI. Les auteurs comprennent Faraz Faruqi, Stefanie Mueller, des chercheurs de Google, des membres du CSAIL et Megan Hofmann de Northeastern University. InstructMesh place ainsi la correction interactive avant la fabrication physique.