engineering-design

BIM-Edit是一个基准测试，用于评估大语言模型在IFC格式下对建筑信息模型（BIM）进行自然语言编辑的能力。结果显示存在显著差距，最佳模型在几何、语义和拓扑指标上的平均得分仅为49.5%。

本文提出了eCNNTO，一种带有残差连接的卷积神经网络，通过从早期迭代历史中预测接近最优的密度来加速基于密度的拓扑优化，实现了最多97%的迭代次数减少，并在不同边界条件、几何形状和网格分辨率下展现出强大的泛化能力。

EngiAI 提出了一个用于LLM驱动工程设计的 多智能体框架和基准套件，评估工作流、RAG和HPC维度。专有模型在Beams2D上达到96-97%的任务完成率，而条件分支仍具挑战，在Photonics2D上为20-53%。