通过具有可验​​证奖励的强化学习，使用 LLM 进行生成平面图设计

用于专业平面图设计的人工智能系统必须精确控制房间尺寸和面积，同时尊重房间之间所需的连接性并保持功能和美学质量。现有的生成方法主要侧重于尊重房间之间所要求的连接性，但不支持生成尊重数字约束的平面图。我们引入了一种基于文本的平面图生​​成方法，该方法可以在实际平面图上微调 大语言模型 (LLM)，然后应用具有可验证奖励的强化学习 (RLVR)，以提高对拓扑和数值约束的遵守，同时阻止无效或重叠的输出。此外，我们设计了一组约束遵守指标来系统地测量生成的平面图如何与用户定义的约束保持一致。我们的模型生成的平面图可以满足用户定义的连接性和数值约束，并且在现实性、兼容性和多样性指标方面优于现有方法。在所有任务中，与现有方法相比，我们的方法将兼容性相对降低了至少 94%。我们的结果表明，LLM 可以有效地处理这种设置中的约束，这表明基于文本的生成建模有更广泛的应用。