Исследования1 сентября 2026 г., 14:18 МСК🤖 Auto

LLM для BIM: 85% точность и авто-ремонт ошибок проектирования

Исследователи представили фреймворк на базе доменных LLM для автоматического выявления и исправления дефектов в BIM-моделях, превзойдя традиционные правила проверки.

Баннер новости 6494

Проблема: разрозненность данных и ошибки в BIM

Современное проектирование зданий (BIM) сталкивается с проблемой: существующие методы проверки не могут эффективно обрабатывать разнообразие конструктивных дефектов. Традиционные подходы опираются на жесткие правила, которые не масштабируются на сложные, нестандартные ошибки. Команда исследователей во главе с Цзя-Жуй Линем (Jia-Rui Lin) предложила решение — интеграцию доменных больших языковых моделей (LLM) для сквозного анализа и ремонта проектов.

Техническое ядро: от геометрии к тексту

Ключевым вызовом стало преобразование структурированных BIM-данных в формат, понятный LLM. Авторы внедрили метод BIM-to-Text с компонентно-сбалансированным чанкированием (chunking). Это позволяет разбивать сложные модели на логические блоки, сохраняя контекст. Для повышения качества ответов использовалась комбинация техник:

  • Rule Injection: внедрение строительных норм и правил непосредственно в промпты.
  • Few-shot prompting: обучение на примерах корректных и некорректных решений.
  • RAG (Retrieval-Augmented Generation): подтягивание релевантной документации в реальном времени.

Борьба с галлюцинациями

В инженерии недопустимы выдуманные факты. Для контроля достоверности внедрена стратегия, сочетающая валидацию ключевых идентификаторов и пороги длины токенов. Это позволяет отсеивать «выдуманные» рекомендации LLM до их внедрения в проект.

Результаты: цифры против традиций

Эксперименты показали существенное превосходство предложенного метода над классическими правилами проверки. Расширение возможностей модели (capability expansion) позволило достичь высокой точности, а стратегия контроля галлюцинаций довела её до максимума.

Метрика Традиционная проверка (правила) Предложенный метод (LLM + контроль)
Точность выявления дефектов 70% 85%
Доля разумных рекомендаций по ремонту 94%
Точность после контроля галлюцинаций 85% (рост с 64%)
Устранение галлюцинаций (за один раунд) 92.5%

Значение для отрасли

Работа демонстрирует рабочий прототип сквозного процесса: от сырых BIM-данных до сгенерированных рекомендаций по исправлению. Это снижает нагрузку на инженеров-проектировщиков, минимизируя ручную проверку чертежей и ускоряя вывод объектов в эксплуатацию.

Источник: arXiv cs.CL ↗