识图引擎系列二：实测主流大模型，工程图纸理解能力面临哪些挑战？

当前，多模态大模型在工程领域的应用成为科技公司竞相布局的方向。GPT-4、文心一言、通义千问等主流模型都在技术文档中提及了对工程图纸的理解能力，但实际测试表明，这些宣称与真实表现存在明显差距。

一、行业大模型工程能力宣称与实际落差

1.1大模型选型

本次选取了当前市场上最受关注的6款大模型：

• OpenAI GPT-4：官方宣称"能理解复杂图像内容"

• 百度文心一言：官网明确标注"建筑行业解决方案"，包含图纸要素提取功能

• 阿里通义千问：宣传"具备工程领域文档理解能力，可提取结构化数据"

• 科大讯飞星火：推出"建筑工程AI助手"，主打图纸识别和工程量计算

• 智谱清言：提供"建筑行业知识库"，支持专业领域内容理解

• 百川智能：支持多模态图像理解

1.2 测试方法

选取了建筑、结构、机电三类典型工程图纸作为测试样本，重点关注以下几个维度：

• 基础工程元件识别能力

• 专业符号系统理解程度

• 尺寸标注解读准确性

• 空间关系推理能力

• 行业规范符合性判断

二、实测现场：大模型的"翻车"名场面

2.1 建筑图

在建筑平面图测试中，标注为"FM-1521"的防火门成了模型的"照妖镜"（工程中代表"防火门，宽1.5米，高2.1米"），但6个模型给出了错误解读：

• GPT-4：将"FM"译为"Family Room"（家庭房），尺寸"1521"解读为"15英尺×21英尺"（约4.57m×6.4m）

• 文心一言：正确识别"FM"为防火门，但将"1521"错误理解为"15米×21米"

• 通义千问：认为这是"普通门（M）"，完全忽略"F"（防火）的含义

• 其他模型：普遍将"FM"解读为"阀门"（Valve）或"风机"（Fan）

2.2 结构图

结构配筋图中的"Φ10@100/200（2）"是典型钢筋标注（含类型、直径、间距和箍筋肢数），测试结果无法满足预期：

• 符号识别：仅讯飞星火和智谱清言能正确识别"Φ"为钢筋符号（HRB335级），其余或认作"希腊字母phi"（GPT-4）、"空心圆"（百川智能），甚至"电池符号"

• 间距解读："@100/200"表示"加密区间距100mm，非加密区间距200mm"，但所有模型均将"@"解读为"邮箱符号"，导致"100/200"被理解为"100到200邮箱"

• 整体理解：没有模型能完整解读"（2）"代表"两肢箍"，多数认为是"括号内数字2"

2.3 机电图

机电管线图测试中，模型对"800×400mm风管"与"DN150mm消防水管"的空间关系判断正确率不足两成。如通义千问将尺寸误判为"面积800-400平方米"，GPT-4颠倒"风管标高 3.600m"与"水管标高 3.200m"的上下关系。

2.4问题归类

（1）专业符号识别困难：模型普遍无法准确识别工程图纸中的专业符号，经常将具有特定工程含义的符号误判为通用图形。

（2）空间关系理解不足：在解读二维图纸表达的三维空间关系时，模型表现出明显的局限性，难以正确还原设计意图。

（3）规范理解偏差：对行业制图标准和设计规范的理解存在系统性偏差，无法准确判断图纸的合规性。

三、多模态大模型的"软肋"：为何工程图纸是"硬骨头"？

3.1 专业语义壁垒

工程图纸采用的专业符号体系与通用知识存在显著差异。例如"WL"在建筑中是"污水立管"，在制造业却指"多层陶瓷电容器"，这些专业语义在通用训练数据中极为稀少，导致模型难以建立正确的映射关系。

3.2 空间关系理解

工程图纸本质上是三维空间的二维抽象表达，这种转换需要专业的读图训练。表现为无法理解剖切符号含义、忽略轴线定位逻辑、无法判断构件力学关系等基础缺陷。

四、 图纸对象识别：AI的"视而不见"

目前主流大模型面对CAD图纸时最大的盲区在于——不具备图纸对象级别的识别能力。即使输入一幅完整的建筑平面图，它也无法回答： 这张图里有几个房间？门窗位置在哪里？哪些是墙体？管道走向如何？

这种能力缺失源于两点：

（1）输入数据形式限制：大模型通常接收的是文本或低分辨率图像，无法直接解析矢量CAD格式（如DWG、DXF），难以提取几何结构、层属性、块定义等专业元素。

（2）训练数据偏差：现有大模型训练数据多来自互联网文本、图片库等开放资源，而非结构化的工程图纸数据库，导致其对图纸的感知能力接近于零。

在AutoCAD图纸实测中，即使标注"这是一个双扇防火门"，多个大模型仍无法指出"门的边界""开启方向""嵌套构件"等问题。这说明：大模型在工程领域的落地必须依赖专业的CAD图像识别引擎或矢量化图纸分析工具作为前置模块。

结语

当GPT-4、文心一言等大模型在通用领域大放异彩时，工程图纸成了它们难以逾越的"专业鸿沟"。这场实测证明：AI落地工程行业，不仅需要强大的多模态能力，更需要对行业知识的深度融合。

主流大模型在垂直行业任务中表现出的"失明"现象，反映出当前基于文本概率推理的AI在处理专业领域问题时存在明显局限。特别是在CAD矢量工程图纸理解中，仅依赖文本生成或图像识别已难以满足需求。

这类任务本质上是一个融合多种模态与专业知识的复杂系统工程，需综合运用图纸解析、图形算法、图像识别、文本理解与逻辑推理等能力，并深度结合设计规范、专业符号体系以及工程语义逻辑。还需构建基于工程知识图谱的空间推理机制，实现对设计意图、拓扑关系和功能约束的准确解读，从而支撑真正意义上实现“工程AI大脑”。

【系列预告】

系列三，我们将深入探讨：如何让AI真正"读懂"工程图纸？专业识图引擎有怎样的能力体现？