通过领域特定大型语言模型智能识别与修复BIM设计缺陷

arXiv cs.CL 论文
ai llms bim defect-identification prompt-learning hallucination-control domain-specific

摘要

本研究提出了一种使用领域特定大型语言模型的综合框架，用于BIM中设计缺陷的智能识别与修复，实现了85%的准确率和94%的合理修复建议，并具有有效的幻觉控制。

arXiv:2608.28629v1 公告类型：新 摘要：现有方法缺乏高效识别和解决BIM中设计缺陷多样性的通用方法。因此，本研究提出了一种综合框架，通过领域特定的大型语言模型识别和修复BIM中的各种缺陷。首先，引入了一种具有组件平衡分块的BIM到文本方法，以桥接BIM数据与大型语言模型。然后，提出了带有规则注入、少样本提示和RAG的提示学习，用于识别缺陷并生成修复建议。同时，引入了一种结合关键标识符验证和令牌长度阈值的幻觉控制策略，以确保可靠性。实验表明，能力扩展实现了85%的识别准确率，而传统规则检查为70%，并达到了94%的合理修复建议比例。此外，提出的幻觉控制进一步将准确率从64%提高到85%，在单次干预轮次中消除了92.5%的幻觉。本研究建立了一个从原始BIM数据输入、缺陷识别到修复建议生成的端到端原型。
查看原文
查看缓存全文

缓存时间: 2026/09/01 11:55 

# 通过领域专用大语言模型实现BIM设计缺陷的智能识别与修复
来源：https://arxiv.org/abs/2608.28629
查看PDF (https://arxiv.org/pdf/2608.28629)

> 摘要：现有方法缺乏高效识别与解决BIM中多样化设计缺陷的通用方案。为此，本研究提出一个集成框架，通过领域专用大语言模型实现BIM中各类缺陷的识别与修复。首先，引入基于组件均衡分块的BIM转文本方法，以桥接BIM数据与大语言模型。随后，采用融合规则注入、少样本提示与检索增强生成的提示学习策略，实现缺陷识别与修复建议生成。同时，引入结合关键标识符验证与标记长度阈值的幻觉控制策略以保障可靠性。实验表明：能力扩展模型实现85%识别准确率（传统规则检查为70%），合理修复建议生成率达94%；幻觉控制策略进一步将准确率从64%提升至85%，单次干预即消除92.5%的幻觉。本研究建立了从原始BIM数据输入、缺陷识别到修复建议生成的端到端原型系统。

## 提交历史

来自：Jia-Rui Lin [查看邮件 (https://arxiv.org/show-email/e172c04e/2608.28629)] **[v1]** 2026年8月2日 周日 10:19:22 UTC (3,072 KB)

相似文章

用于自动CAD生成的基础模型

arXiv cs.AI

本文全面实证研究了使用基础模型（大语言模型和视觉语言模型）从自然语言自动生成CAD的方法，提出了LLMForge框架，包含两种批评机制（IterTracer和IterVision），并在包含97个工程设计问题的基准上评估了七个模型。