从认证程序学习可执行制版搜索：SemDraft框架解析

当AI学会「改版」：制版行业的新命题

服装制版有一个被长期忽视的事实：新款式很少从零开始画。制版师拿到一个基础版，然后做一连串编辑动作——把衣身加长、把省道挪个位置、把袖子换一种剪裁。这些编辑步骤决定了最终版型，但设计档案里只留下修改前后的两张版，中间的过程全部丢失。

来自 arXiv 的研究《Learning to Search for Executable Patternmaking from Certified Programs》正是从这个观察出发，提出了一个反直觉的思路：既然步骤没有记录，那就让算法去「搜索」出一条从原版到新版的动作路径。以此为基础，作者构建了 SemDraft 框架——据称是首个能从成对的「修改前/修改后」缝纫版型中，学习搜索可执行制版程序的系统。

这里有两个关键词值得拆开理解。「可执行」意味着版型不是一张静态图纸，而是用程序表示的形式化结构，可以编译、可以运行、可以验证。而「搜索」指的是，在缺少编辑记录的情况下，系统通过遍历候选的编辑动作，直到一个版型变成另一个版型。

SemDraft的三重认证机制

搜索出一条程序，而不是生成一个结果

现有制版模型大多服务于「生成」：给定图片或文字描述，输出一个成品版型。它们不关心这个版型是怎么演化来的，也不建模制版师在两个版之间做的操作。SemDraft 把任务反转过来——输入是修改前后的版型对，输出是一串编辑动作构成的程序。

这个反转带来一个直接好处：编辑动作是可执行的代码，因此可以被编译器检查。研究中使用的是一个确定性编译器，它让恢复出来的步骤具备可验证性。简单说，搜索出来的动作序列不能只是「看起来像」，它必须真的能把第一个版编译成第二个版。

确定性编译器在此处指的是一种对相同输入始终保持相同输出、且在编译过程中不引入任何随机或环境相关状态的编译系统。在 SemDraft 的场景里，制版程序被表示为一串形式化的编辑指令（例如「将衣身延长 2 厘米」「将省道平移至侧缝」），编译器负责把这些指令作用于初始版型，生成最终的几何结构。确定性意味着：只要输入版型与动作序列相同，无论何时、在何种环境下编译，输出都严格一致。这一性质是后续「从头重编译」与「独立回放」两道认证检查能够成立的前提——如果编译器本身带有随机性或状态依赖，那么「结果相同」就不再能证明程序正确，认证也就失去了意义。

认证为什么需要三道检查

搜索空间很容易产生「碰巧对」的结果。一个动作序列可能因为某种偶然的编译行为碰巧得到正确版型，但本身并不符合制版的真实逻辑。SemDraft 用三道独立的检查来过滤这类情况：

• 从头重编译：程序必须从零开始重新编译，不依赖搜索过程中的中间状态。这排除掉那些「借道」搜索缓存才成立的程序。
• 动作对的顺序判定：每一对编辑动作被分类为「有序」或「可交换」。有序意味着两个动作调换顺序会改变结果，可交换则不会。这一步实际上是在编码制版操作之间的依赖关系。
• 独立回放：一个独立的回放机制执行同一套程序，必须到达相同版型。这相当于第三方复现，确保程序的可重复性。

三道检查全部通过，程序才被「认证」。认证后的程序构成一份高质量训练数据，用来训练一个动作排序模型。

动作对的可交换性（commutativity）是过程建模中的一个核心概念。在制版语境下，两个编辑动作「延长衣身」与「移动省道」如果互不影响对方的几何作用区域，那么先做哪一个结果都一样，这一对动作就是可交换的；反之，若「先改袖窿再装袖子」与「先装袖子再改袖窿」会得到不同版型，它们就是有序的。SemDraft 让模型对每一对动作做二分类，本质上是在从数据中恢复制版操作之间的偏序关系。这一信息有两层价值：其一，它能让搜索器在扩展候选路径时剪掉违反已知顺序的分支，缩小搜索空间；其二，它把原本隐含在制版师经验里的操作依赖关系显式地沉淀为可学习的标签，使得恢复出的程序不仅「结果对」，其内部步骤的排列也符合真实工艺逻辑。

学习型排序器与非学习型排序器的差距

SemDraft 的核心是一个在搜索内部对候选动作进行排序的模型。它在认证程序上训练，然后在搜索过程中决定下一步优先尝试哪个编辑动作。

实验结果给出了清晰的对比：在两个固定的、对顺序敏感的 80 案例测试集上，其他搜索组件全部保持不变，学习型排序器分别在 1000 次搜索执行内认证了 63 和 64 个案例。作为对照，非学习型排序器最多只能认证 53 和 52 个。这个差距说明，在动作空间的搜索中，学习到的偏好确实能显著提升效率——同样多的执行预算，能多认证十几个案例。

搜索预算是理解这组对比数据的关键。实验固定的是「1000 次搜索执行」这一预算，而非运行时间或迭代轮数，意味着学习型与非学习型排序器在完全相同的计算量下竞争，差距只来自「每一步优先尝试哪个候选动作」这一决策质量的差异。在组合爆炸的动作空间中，一个动作序列的长度稍有增加，候选路径的数量就会指数级膨胀，因此排序器的每一次选择都相当于在巨大的树形空间里做一次剪枝。学习型排序器能多认证十余个案例，说明从认证程序中学到的动作偏好把搜索引导到了更有希望的分支上，而不是靠穷举或随机试探碰运气。这也解释了为什么认证程序既是输出，又是训练数据——它构成了一个自我强化的闭环。

为什么这件事值得关注

SamDraft 的价值不止于制版。它触碰的是一个更广泛的问题：当过程数据缺失，只剩下输入输出对时，我们能否通过搜索和认证重建出可执行的过程？

制版档案只记录结果不记录步骤，这与许多领域的情况类似——工程设计文件只保留最终版本，代码仓库的中间提交被压缩，医疗记录只写下处方结果。SemDraft 给出的方案是搜索加认证：用搜索生成候选过程，用一个确定性的、可独立复现的编译器作为裁判。

对服装行业而言，这意味着旧版型档案可能被重新激活。那些只有修改前后两版、中间过程早已遗忘的档案，有机会被还原出制版师当年的操作路径，进而变成可复用、可教学的编辑知识。

不过也要注意，这套方法目前依赖确定性编译器和对顺序敏感的案例设计。在编译行为不稳定、或编辑动作本身存在歧义（同一个版型可以用多种合理路径到达）的场景下，认证机制的严格性可能会成为覆盖率的天花板。论文没有给出这类场景下的表现数据，这是后续需要验证的方向。

过程挖掘（process mining）是一个已有二十余年历史的研究领域，它同样试图从事件日志中重建业务流程模型。SemDraft 与它的区别在于：传统过程挖掘假设存在带时间戳的事件日志，而这里连日志都没有，只剩修改前后的两个静态快照。因此 SemDraft 必须先在缺失中间记录的情况下「猜」出一串动作，再用编译器去验证这串动作是否真能复现终点。这种「搜索加认证」的范式与程序合成（program synthesis）领域中的「按示例编程」（Programming by Example）高度同构——后者也是给定输入输出样例，让算法搜索出一段能完成该变换的程序。把这两个领域的工具引入服装制版档案的复原，是这项工作方法论上的主要贡献。

技术路线的一个转折

从「生成成品」到「恢复过程」，SemDraft 代表了一种研究重心的迁移。生成模型解决的是「做出一个东西」，而过程恢复解决的是「理解东西是怎么被做出来的」。后者的难度更高，因为搜索空间随动作数量组合爆炸，而且正确性标准更严格——不只要结果对，步骤也要可验证。

SemDraft 用认证程序作为中介，把无监督的搜索问题转化为有监督的排序学习问题。这个思路的通用性，可能比它在缝纫制版上的直接应用更值得关注。