更聪明，不是更大：面向汽车 HIL 测试的微调 RAG 增强 LLM
计算与语言
2025-12-01 v1
摘要
硬件在环（HIL）测试是汽车验证的必不可少的环节，但面临着测试构件碎片化和未被充分利用的问题。本文提出了 HIL-GPT，一个检索增强生成（RAG）系统，将领域适配的大型语言模型（LLM）与语义检索相结合。HIL-GPT 利用通过启发式挖掘和 LLM 辅助合成构建的领域特定数据集进行嵌入微调，结合向量索引实现可扩展、可追溯的测试用例和需求检索。实验表明，微调的紧凑型模型（如 \texttt{bge-base-en-v1.5}）在准确率、延迟和成本之间实现了优越的权衡，挑战了“大即是好”的观念。进一步的 A/B 用户研究进一步确认，RAG 增强型助手在感知帮助fulness、truthfulness 和 satisfaction 方面优于通用 LLM。这些发现为在工业 HIL 环境中部署高效、领域对齐的 LLM 基于助手提供了见解。
引用
@article{arxiv.2511.22584,
title = {Smarter, not Bigger: Fine-Tuned RAG-Enhanced LLMs for Automotive HIL Testing},
author = {Chao Feng and Zihan Liu and Siddhant Gupta and Gongpei Cui and Jan von der Assen and Burkhard Stiller},
journal= {arXiv preprint arXiv:2511.22584},
year = {2025}
}