通过基于 LLM 的自适应探索进行 BIM 信息提取

BIM 模型提供了建筑几何、语义和拓扑的结构化表示，但从中提取特定信息仍然非常困难。当前的方法通过假设固定的数据组织（静态方法）将自然语言转换为结构化查询，而 BIM 异构性最终会使其失效。我们通过一种新的范例（自适应探索）来解决这个问题，其中基于 LLM 的代理迭代执行代码以从 BIM 模型中提取信息，在运行时发现其结构而不是假设它。我们在 ifc-bench v2 上评估了这种方法，ifc-bench v2 是与这项工作一起推出的开源 BIM 问答基准，包含来自 21 个项目的 37 个 IFC 模型的 1,027 项任务。两个 LLM 能力级别和四种增强策略的阶乘消融表明，无论增强策略如何，自适应探索在所有配置上都显着优于静态查询生成。这些结果表明，BIM 异构性最好在范式级别解决，而不是通过进一步优化静态方法。