Zespół badawczy zaprezentował nową metodę automatycznego wykrywania i naprawiania defektów projektowych w modelach BIM za pośrednictwem wyspecjalizowanych dużych modeli językowych. Framework łączy tradycyjne dane BIM z możliwościami LLM-ów poprzez metodę BIM-to-Text wykorzystującą component-balanced chunking, która sprawnie przetwarza dane architektoniczne na postać tekstową zrozumiałą dla modeli języka.
Sytem wykorzystuje zaawansowane techniki promptowania: prompt learning z wstrzykiwaniem reguł, few-shot prompting oraz retrieval-augmented generation. Kluczową innowacją jest strategia kontroli halucynacji łącząca walidację kluczowych identyfikatorów z progami długości tokenów. W testach metoda osiągnęła 85 proc. dokładności w identyfikacji defektów, co stanowi znaczną poprawę wobec 70 proc. tradycyjnych systemów opartych na regułach. Dodatkowo generuje rozsądne sugestie napraw w 94 proc. przypadków, a zaproponowana kontrola halucynacji zwiększyła dokładność z 64 proc. do 85 proc., eliminując 92,5 proc. halucynacji w jednej iteracji.
Rozwiązanie ma potencjał revolucjonizować proces kontroli jakości w projektowaniu architektonicznym i budownictwie, oferując zautomatyzowany end-to-end workflow od surowych danych BIM przez identyfikację defektów aż do sugestii napraw. Stanowi krok w kierunku bardziej inteligentnych systemów wspierających pracę projektantów i inżynierów.