ONESTRUCTION 联合 AWS 在 Qwen3 上构建建筑 IDS 专用基础模型

日本建筑科技初创公司 ONESTRUCTION 在 AWS Generative AI Innovation Center（GenAIIC）的技术顾问支持下，基于阿里云开源大模型 Qwen3（8B / 14B / 32B）构建了面向建筑行业 BIM 工作流的基础模型 Ishigaki-IDS，专注于处理 IDS（Information Delivery Specifications）文件的编写与校验。该项目是日本 GENIAC（Generative AI Accelerator Challenge）第三期的成果之一。

背景：BIM 落地与 IDS 门槛

日本建筑业长期面临人手短缺，BIM（Building Information Modeling）作为可在设计、施工、运维各阶段共享信息的数字表示方式，被国家层面推广。但 BIM 的采纳需要专业知识，学习成本较高。IDS 是 buildingSMART 在 2024 年发布的基于 XML 的信息交付规范，用于定义附加在 BIM（IFC）模型上并加以校验的信息。编写 IDS 文件既要熟悉其特殊语法，也要掌握 IFC 的上千条术语与规则，对非 BIM 专家而言门槛偏高。Ishigaki-IDS 的目标，就是让不精通 BIM 的从业人员也能审查与管理属性信息。

三大核心挑战

• 数据稀缺：IDS 是较新标准，建筑领域公开网络语料有限，远不及金融、医疗、法律等领域动辄千亿 token 的训练数据。即便爬取最新网页数据，体量与深度都不足以让模型从数据中掌握 IDS 相关知识。
• IFC 词汇映射：IFC 词表包含数千条术语，例如「beam」对应 IfcBeam、「air conditioner」对应 IfcUnitaryEquipment，传统上靠领域专家手工映射，需要模型直接学会这种对应。
• IDS 专有语法：IDS 不仅是普通 XML，其标签结构会根据附加信息的类型而变化，需要使用重复模式与专用标签；通用基础模型难以稳定生成符合规范的结构。

三阶段训练流程

ONESTRUCTION 采用了 CPT（持续预训练）→ SFT（监督微调）→ RLVR（带可验证奖励的强化学习）的三阶段管线。

• CPT：使用网络语料加上由内部领域专家生成的合成数据，向模型注入 IDS 与 IFC 领域知识。团队大规模生成合法 IDS 文件，并构建从多角度解释 IDS 文档的合成数据集，合成数据占据了训练语料的绝大部分。
• SFT：用「IDS 编写指令（CSV 或自然语言）→ 期望输出」的配对数据进行微调。但仅靠 SFT 仍会出现「看起来合理但标签或属性错误」的问题，因此引入第三阶段。
• RLVR：以 buildingSMART 官方的 IDS-Audit-Tool 作为奖励函数，对 XML 良构性、IDS 结构合法性与语义一致性进行机械校验，让模型基于可验证信号迭代优化。RLVR 在数据匮乏的 IDS 场景下尤为合适，因为它无需大量监督数据即可提升输出质量。

基础设施与协作

训练在 Amazon EC2 P5en 实例上借助 AWS ParallelCluster 进行分布式训练，团队每两周与 GenAIIC 顾问进行一次技术对齐，围绕训练数据设计、评估基准、训练阶段与技巧、长上下文处理与奖励塑形等五个方向迭代评估指标，覆盖 IFC/IDS 知识、结构化生成与通用对话能力。

由于原文内容在训练技巧段落被截断，具体的最终 benchmark 数据、模型选择（最终在 8B / 14B / 32B 中选定哪一档）以及上线效果不在本次摘录范围内。但整体方案呈现了一条「通用底座 + 合成数据 + 三阶段训练 + 可验证奖励」的领域基础模型构建范式，可供数据稀缺行业的技术负责人与 ML 工程师参考复用。