bim

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。

本文介绍了IFCMemoryBench，一个经过人工验证的基准测试，用于评估基于LLM的智能体在BIM信息检索中的长期记忆。研究表明，当前的记忆系统仅能达到32.4%的答案准确率，揭示了智能体记忆中的领域迁移差距。

本文介绍了SGR-BIM，一种图驱动的语义推理框架，能够动态地将法规意图与BIM几何对齐，自动化几何密集型合规检查，在消防安全规范查询上达到了84.3%的准确率。

本文介绍Ishigaki-IDS-Bench，这是一个用于评估LLMs从BIM信息需求生成信息交付规范（IDS）XML能力的基准测试。对10个LLM的评估显示，最佳模型在内容一致性上达到65.6%的宏F1分数，但仅有27.7%的输出通过内容审核，表明模型在满足标准和词汇约束方面仍存在困难。