利用大型语言模型编码提升人工智能模型训练中的建筑语义保留
Gemini AI生成的图像
一项新研究显示，使用大型语言模型（LLM）嵌入可以提升建筑、工程、施工和运营（AECO）行业的人工智能训练效果，帮助构建语义。针对42种建筑对象子类型进行的测试表明，该方法优于传统的一热编码，其中llama-3紧凑型嵌入实现了加权平均F1分数为0.8766。此方法增强了人工智能理解复杂语义的能力，表明在AECO相关任务中具有广泛应用的显著潜力。
建筑语义的人工智能模型训练进展
最近的研究凸显了建筑、工程、施工和运营（AECO）行业的一项突破，重点在于增强人工智能模型训练中建筑语义的表现。通过利用大型语言模型（LLM）嵌入，研究显示人工智能系统在理解建筑对象子类型之间的关系方面有显著的提升。
方法论与发现
该研究涉及训练GraphSAGE模型，以对五个高层建筑信息模型（BIM）中的42个建筑对象子类型进行分类。结果表明，LLM编码显著优于传统的一热编码基线，其中llama-3压缩嵌入实现了0.8766的加权平均F1分数，超过了0.8475的一热编码分数。
对AECO行业的影响
研究结果强调了基于LLM的编码在增强人工智能解读复杂领域特定建筑语义能力方面的潜力。
相关主题：
人工智能模型训练大型语言模型建筑语义编码方法GraphSAGE模型
📰 原始来源： https://arxiv.org/abs/2602.15791v1
所有权利和署名均属于原出版商。