ONESTRUCTION 携手 AWS GenAIIC 构建 Ishigaki-IDS：面向建筑 BIM 的专用基础模型
问题
日本建筑业面临劳动力短缺，BIM推广需要专业知识，而IDS作为BIM验证的XML标准，其编写要求熟悉IDS语法和IFC规则。三个主要挑战：IDS标准新（2024年发布）导致公开数据稀缺；需要注入数千个IFC术语的映射关系；IDS专用XML语法复杂，通用模型难以准确生成。
解决方案
基于开源Qwen3（8B/14B/32B）构建Ishigaki-IDS。采用三阶段训练流程：CPT（持续预训练）注入IDS和IFC领域知识，利用内部专家合成数据；SFT（监督微调）训练指令到IDS输出的映射；RLVR（可验证奖励强化学习）使用buildingSMART的IDS-Audit-Tool作为自动奖励函数，确保XML结构、IDS结构语义一致。训练基础设施使用Amazon EC2 P5en（H200 GPU）实例、AWS ParallelCluster和Amazon FSx for Lustre。AWS GenAIIC提供双周技术咨询。
结果
在IDS-Bench评估中，Ishigaki-IDS的XML结构合规性和IDS结构合规性接近100%，内容一致性超过80%；而通用前沿模型IDS结构合规性低于25%，内容一致性接近0%。模型通过YaRN支持约120k token的上下文。与buildingSMART的联合概念验证中，IDS专家和非专家对模型在实际工作中的表现给予积极反馈。
成本
成本信息待确认。
案例分析
使用场景：面向建筑BIM工作流的IDS（信息交付规范）文件生成，使非BIM专家也能编写和验证IDS。
实施证据：原文记载：ONESTRUCTION与buildingSMART进行了联合概念验证，IDS专家和非专家在实际工作中使用该模型并给出积极反馈；模型已在Hugging Face上开放访问，可供用户针对自身IDS场景运行。
指标：XML结构合规性接近100%；IDS结构合规性接近100%；IDS内容一致性超过80%；通用模型IDS结构合规性低于25%；通用模型IDS内容一致性接近0%；支持输入输出约120k tokens
经验：合成数据质量比数量更重要，领域专家参与合成数据创建是模型性能的关键。；使用IDS-Audit-Tool作为可验证奖励信号，在数据稀缺环境下比人工评估迭代更快。；稳定的分布式训练基础设施（EC2 P5en、ParallelCluster、FSx for Lustre）让团队能专注于模型改进而非集群调试。