基于 LLM 的 BIM 信息提取中的自适应探索
计算与语言
2026-05-05 v1 人工智能
摘要
BIM 模型提供建筑几何、语义和拓扑结构的结构化表示，但从中提取特定信息仍然异常困难。当前方法通过假设固定数据组织（静态方法）将自然语言翻译为结构化查询，而BIM的异质性最终使这些方法失效。我们以一种新范式解决此问题，即自适应探索，其中基于 LLM 的智能体迭代执行代码从 BIM 模型中提取信息，在运行时发现其结构，而非假设其结构。我们在 ifc-bench v2 上对该方法进行评估，该基准由本工作随同发布，包含 1,027 个任务，覆盖 37 个来自 21 个项目的 IFC 模型。两种 LLM 能力水平和四种增强策略的阶乘消除实验显示，自适应探索在所有配置下均显著优于静态查询生成， regardless of the augmentation strategy。这些结果表明，BIM的异质性应在范式层面加以解决，而非通过进一步优化静态方法。
引用
@article{arxiv.2605.01698,
title = {BIM Information Extraction Through LLM-based Adaptive Exploration},
author = {Sylvain Hellin and Suhyung Jang and Stefan Fuchs and Stavros Nousias and André Borrmann},
journal= {arXiv preprint arXiv:2605.01698},
year = {2026}
}
备注
Submitted to Automation in Construction