大模型在聊天、写代码、翻译上已经很能打，但把它拉去读一份BIM交付规范、写一段符合IFC语法的XML，表现几乎归零。这不是夸张——日本一家叫ONESTRUCTION的创业公司做了实测：让当前最前沿的通用模型去生成IDS（信息交付规范）文件，XML格式本身写得工工整整，可一查语义，内容一致性得分接近0%。
同一个任务，他们自己训出来的领域模型Ishigaki-IDS，XML结构合规和IDS结构合规都接近100%，内容一致性超过80%。差距不在模型大小，而在训练方法——用合成数据补齐稀缺语料，用可验证奖励让模型"错一次改一次"。这篇文章拆解他们到底怎么做到的。
Ishigaki-IDS：一个只干一件事的基础大模型
ONESTRUCTION是日本一家专攻openBIM的建筑科技创业公司。他们做的Ishigaki-IDS，是一个专精BIM工作流的基础大模型，目标只有一个：生成和校验IDS文件。
IDS（Information Delivery Specifications，信息交付规范）是buildingSMART在2024年发布的标准，用来定义"BIM模型里该附带哪些信息、这些信息怎么校验"。它本质是一套XML，挂在IFC（Industry Foundation Classes）模型之上——业主或甲方用IDS把话说清楚："我要的模型里，每根梁、每台设备必须填哪些属性"，软件和下游再拿它自动核对。
日本建筑业长期缺劳动力，BIM被国家层面力推，因为设计、施工、运维能在一个模型上对齐信息。但IDS有个现实门槛：写它需要懂IFC语法、懂IDS的标签结构，还要会XML。这活过去靠少数专家手写，普通从业者根本插不上手。ONESTRUCTION要做的，就是把这个门槛打下来，让不懂BIM的人也能用自然语言或CSV生成一份合格的IDS。
📌 项目背景速览
- 出品方：ONESTRUCTION, Inc.（日本建筑科技创业公司，openBIM路线）
- 模型：Ishigaki-IDS，专精BIM的IDS生成/校验
- 基座：Qwen3（8B/14B/32B，阿里云开源）
- 背书：日本经济产业省GENIAC（生成式AI加速挑战）第三期入选项目
- 技术顾问：AWS生成式AI创新中心（GenAIIC），双方每两周碰一次
实测数据：通用模型的"会写XML"是假象
他们自建了一套评测基准IDS-Bench，横跨IFC版本、专业（建筑/结构/机电/通用）、语言（日英双语）和Implement/Structure/Content三个维度。结果很扎眼：
通用模型不是不会写XML——它写出了结构规范的XML，但IDS结构合规不到25%，内容一致性直接跌到0%附近。原因简单：IDS是2024年才发布的新标准，网上公开语料极少，通用模型的训练集里根本没有这东西。它学会的是XML的"形"，没学会IDS的"义"。
| 维度 | 通用前沿大模型 | Ishigaki-IDS |
|---|---|---|
| 基座 | 各家旗舰闭源/开源模型 | Qwen3（8B/14B/32B） |
| IDS结构合规 | <25% | ~100% |
| IDS内容一致性 | ~0% | >80% |
| 训练语料 | 互联网通用语料 | IDS/IFC领域语料 + 合成数据 |
| 上下文长度 | 视模型而定 | YaRN扩展至约120k tokens |
三阶段训练：为什么小模型能赢大模型
他们的做法是一条三段式训练管道，模型从Qwen3起步，先在8B/14B上试，最后上32B。
🔄 三阶段训练管道
第三步是整个方案的点睛之笔。RLVR特别适合IDS，因为它不靠海量人工标注，只用"客观对错信号"就能把输出质量磨上去——这对数据稀缺的领域尤其重要。而RLVR能跑通的前提，是存在一个客观的校验工具。IDS恰好有IDS-Audit-Tool，这成了小模型也能出效果的底气。
基础设施方面，训练用了两台Amazon EC2 P5en实例（每台p5en.48xlarge，NVIDIA H200 GPU），AWS ParallelCluster做集群编排，FSx for Lustre做共享存储，跑的是稳定的多节点分布式训练。
他们在总结里给了三条经验，值得国内做行业大模型的团队照着掂量：合成数据质量比数量重要（领域专家的参与是决定性因素）；可验证奖励能大幅加速迭代（自动打分比人工评估快得多）；稳定基础设施让人敢试（不用天天跟集群故障搏斗，精力能回到模型上）。
这件事对BIM工程师意味着什么
Ishigaki-IDS不是孤例，它指向的是一个正在发生的方向：工地的AI不会是"一个大模型通吃"，而是"通用模型打底 + 领域小模型干活"。而领域小模型能不能训出来，取决于两样东西——有没有结构化数据，有没有客观校验标准。
💡 对BIM工程师的启示
1. 现在就去学IDS。IDS是openBIM的下一件大事，国内对应的"模型信息交付深度 / 分类编码"正在铺开。谁先把IDS、IFC、分类编码吃透，谁就提前占了信息交付的卡位——这比再学一个新建模软件值钱。
2. 把模型整理成机器能用的数据，是下一阶段的核心能力。Ishigaki-IDS能训出来，靠的是专家把IFC那几千个术语映射（beam→IfcBeam、空调→IfcUnitaryEquipment）和IDS语法喂给模型。谁能把BIM模型、设计规范、验收标准整理成结构化数据，谁就是AI时代最抢手的人。
3. 模型已开源，可以拿来试。Ishigaki-IDS-8B已经放在Hugging Face上，BIM工程师完全可以用自己的IDS场景去跑一跑，直观感受"领域模型"和"通用模型"在工程数据上的差距有多大。
一句话收尾：这个案例的真正价值，不在于某个日本创业公司训了个模型，而在于它用一条可复制的方法证明了——在数据稀缺、语义严格的工程领域，通用大模型不是终点，领域专用模型才是。对正处在"要不要上AI"十字路口的BIM从业者来说，这比任何发布会都更有参考意义。
参考资料
AWS Machine Learning Blog《How ONESTRUCTION built the Ishigaki-IDS foundation model with AWS GenAIIC》（2026-08-11）；buildingSMART openBIM/IDS标准文档；Ishigaki-IDS Hugging Face模型页。