IFC
PulseAugur coverage of IFC — every cluster mentioning IFC across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
IfcLLM框架结合关系和图数据以实现准确的IFC模型查询
研究人员开发了IfcLLM，一个旨在改进行业基础类（IFC）模型自然语言查询的新框架。该系统独特地结合了关系和图表示，将查询路由到最适合的后端以进行属性检索或空间推理。集成的LLM代理采用迭代重试和优化逻辑，以自主地从失败中恢复。在30个查询场景的三个IFC模型上进行测试，IfcLLM的准确率高达96%，并且开放权重LLM在敏感环境中本地部署方面显示出潜力。
-
新基准工具可自动评估用于建筑数据检索的 LLM 代理
研究人员开发了 IFC-MCQ，这是一种自动生成多项选择基准的方法，用于评估从行业基础类 (IFC) 文件中检索数据的大型语言模型 (LLM) 代理。该方法通过创建具有精确选项集评分的基准，解决了昂贵的人工或基于 LLM 的自由文本答案审查的挑战。该系统将数据分为 15 个类别和 36 个子类型，从 IFC 文件中提取答案键，并使用预定义的规则或文件派生的值构建干扰项。使用 IFC-MCQ 的评估揭示了特定类别的故障模式以及基于 IF…
-
CRAB框架以更高精度从点云重建BIM
研究人员开发了CRAB，一个用于从点云重建建筑信息模型（BIM）的新框架。与依赖手动校正或启发式优化的先前方法不同，CRAB结合使用ProposalNet和AssemblyNet来生成代表建筑组件的IFC兼容立方体。该方法旨在提高竣工BIM模型的准确性和完整性，特别是在估算墙体厚度等细节方面。
-
ONESTRUCTION 利用 AWS 构建专注于建筑业的基础模型
ONESTRUCTION 公司与 AWS 合作，为建筑行业的建筑信息模型 (BIM) 工作流程开发了 Ishigaki-IDS，一个专门的基础模型。该模型通过采用三阶段训练流程、合成数据生成以及结构化输出的可验证奖励，解决了数据稀缺和 IDS (信息交付规范) 等 BIM 标准复杂性的挑战。开发过程利用了 AWS GenAIIC，并使用了 Amazon EC2 P5en 实例进行分布式训练，旨在降低建筑专业人士有效利用 BIM 数据的门槛。
-
新的BIM-Edit基准测试揭示LLM在处理复杂的建筑模型编辑方面存在困难
研究人员推出了BIM-Edit，这是一个旨在评估大型语言模型（LLM）使用行业基础类（IFC）格式编辑建筑信息模型（BIM）能力的新基准测试。该基准测试包含跨越各种建筑模型的324项编辑任务，重点关注几何精度、语义有效性和拓扑一致性。目前的LLM显示出显著的局限性，表现最好的模型得分仅为49.5%，没有一个模型能完全解决超过3.4%的任务，这凸显了它们在处理结构化工程设计工作流程方面的能力差距。
-
新基准测试LLM生成BIM行业标准XML的能力
研究人员推出了Ishigaki-IDS-Bench，这是一个新的基准测试，旨在评估大型语言模型（LLM）根据建筑信息模型（BIM）需求生成信息交付规范（IDS）XML的能力。该基准测试包含166个跨越不同建筑领域和语言的专家验证示例，以及用于比较的黄金IDS文件。初步评估显示，虽然LLM可以部分表达信息需求，但它们在持续生成符合IDS标准和IFC词汇约束的XML方面存在困难，表现最好的模型内容一致性仅达到65.6%。