图 1|概念性数据结构示意,非现有库存数量或已完成流程证明。
一、CAD 文件的“可读性”不等于可学习性
图面视觉上整洁,不代表机器能识别墙、门、窗和家具;反之,图层名称齐全也不代表对象边界正确。PRD 选择 Block 作为最终对象组织载体,禁止依赖 Group 表达语义,因为 Group 在转换时不稳定且缺少可读标签。采买验收要检查原生 DWG、DXF 导出后的 INSERT、Block 名称、图层、插入点、旋转、缩放和几何实体是否保持一致。每个样本还要带屏幕截图或渲染图,方便人工核对导出前后的视觉等价。
二、建议建立双视图资产结构
原生 CAD 层保留精确几何、单位、坐标系、图层与块引用;结构化层把对象转成语义实体、几何边界、属性、空间关系和来源。JSON 可包含 drawing_id、单位、楼层、实体 ID、类别、block_name、layer、几何、变换矩阵、文字、邻接关系和解析置信度。对象类型、父子类、规格编号形成稳定命名规范;相同形状的旋转/镜像实例可复用块,但几何本身不同就应新建对象。转换时记录软件及版本,保留原始文件哈希。
三、数据切分与版权来源
CAD 图纸可能包含建筑地址、业主信息、设计单位、项目编号、签名、印章或商业秘密。采购前需核验著作权、委托关系、数据提供者授权及训练/衍生作品/再分发范围,移除不必要的标题栏个人或项目标识。训练、验证、测试按项目或设计来源分组,同一户型的改版图不能跨集合,否则模型可能记住布局。可公开的渲染平面图数据集与原生 CAD 语义块数据不是同一产品,不能以公开图像集的规模证明本项目 CAD 文件规模。
四、可训练的空间智能任务
结构化 Block 可支持对象分类、块名归一化、元素检测、空间关系抽取、门窗/家具布局问答、图纸差异检测、CAD 到 JSON 转换和自然语言约束下的布局生成。评测要分别衡量几何精度、类别宏平均 F1、关系图正确率、尺寸/单位一致、实体召回率和可逆导出率。生成任务须验证空间碰撞、门扇开启空间、通行路径和基本约束,不能仅凭图像相似度认定建筑设计可用。
五、几何质量与边界情况
冗余线、重复实体、开放边界、零长度线段、错误比例、坐标远离原点、文字爆炸、匿名块、嵌套块和外部参照缺失都会影响自动解析。验收脚本应覆盖单位异常、图层空值、Block 命名规则、块引用数量、几何闭合和 DXF 往返转换差异。难例集应包括复杂家具、斜墙、弧形元素、多版本平面图和缺少部分图层的真实文件,并记录允许保留的装饰纹理。PRD 表格有部分图片嵌入内容不能从文本层读出,最终标准需以原始表格/示例图复核。
六、与图像平面图基准的关系
CubiCasa5K 等研究资源推动了从栅格平面图识别房间和对象的研究,但扫描图像语义分割与可编辑 CAD 文件解析属于不同任务。前者主要学习像素类别和布局,后者还要保持坐标、块引用和几何可逆性。朗慧应把公开基准作为任务参照,而不是声称其数据等同于本地资产。对客户交付可同时提供 CAD 原件、渲染图、结构化 JSON、解析日志和几何核验报告。
七、批次运营和商业验收
PRD提出先由供应商提交 10 张原始样例确认分布,再加工验证后采购首批。建议把流程拆成来源尽调、样例盘点、语义改造、双人抽检、解析测试、文件授权与批量交付。首批 2,000 张以上和后续数万张是需求目标,不是已完成交付。每批披露项目去重规则、户型改版关系、对象类别分布、解析成功率、返工率和权利文件覆盖率。
八、几何表示与解析容错
平面图可能同时包含直线、圆弧、多段线、填充、文字、外部参照、嵌套块和动态块。转换器须声明支持实体类型及丢弃策略,并在 JSON 中保留原坐标、归一化坐标、单位和变换矩阵。房间边界可由墙体和门洞共同推断,但必须标注是原始对象还是算法推理。几何容差需按图纸单位设定;比例混乱或局部缩放时要给出人工复核标记。对无法解析的对象,应输出失败原因而非静默删除。
九、语义标签体系与命名审计
Block 名称建议用对象父类、子类和编号构成,核心对象命名采用稳定英文词汇表,并维护中英文同义词映射和弃用名称。要防止同义异名(如 wardrobe/cabinet)和同名异物,利用几何签名、属性和值域发现冲突。层名只能作为辅助信号,不能直接当作对象类别真值。建议建立层级分类表、允许值、例外审批和版本兼容策略,新增类别在变更日志中记录样本影响范围。
十、评测指标与视觉核对
CAD 解析成功率应按图纸计算,同时分解对象召回、边界/位置误差、块实例对应率、拓扑关系准确性、文字抽取准确率和导出后可逆性。图像渲染相似并不能证明语义块未丢失;结构解析匹配也不能证明文件视觉效果一致。采用两套盲审:一组检查渲染图,另一组检查 DXF 实体和 JSON 关系。验收样本由采购方随机抽取,保留原 DWG、导出 DXF、截图和机器报告作为同一证据包。
十一、隐私、商业秘密与安全
图纸的标题栏常带项目地址、建筑用途、设计院、业主、联系人和内部编号;部分住宅布局本身也可能被视为敏感信息。授权需覆盖原始图、改标成果、结构化派生物和模型训练,并核实提供方是否有权转授权。公开发布前需屏蔽标题栏、坐标和属性中的识别信息;交付服务器还要扫描宏、脚本、外部链接和潜在恶意文件。来源不清的图纸不应仅因“网络可下载”就纳入商业语料。
十二、首批十张试样的价值
PRD要求先提交 10 张原始样例确认数据分布,再开展加工。试样应刻意覆盖常见和难处理类型,避免供应方只挑简单户型。试加工需记录每张原件、标注工时、Block 覆盖、几何修复、转 DXF 失败点和复审意见。确认标准后再锁定批量单价、不同复杂度档位和返工责任。需求文件中“首批 2,000 张以上、后续数万张”应显示为采购规划,不得呈现为已经完成的数据规模。
从“文件集合”到可训练任务
数据集不是把影像、病历或轨迹装进压缩包就结束。面向基础模型预训练,需要来源可追溯、模态可解码、重复与污染可识别、分布可描述;面向监督微调,需要样本与任务、输入输出、参考答案及标注依据一一对应;面向偏好优化和强化学习,还要定义状态、动作、约束、奖励或可验证结果,并保留失败样例。三类用途可以共用底层实体和来源台账,但不能把同一条记录不加区分地重复计入训练、评测和验收。
以原始证据为锚点
工程上建议建立不可变原始层、标准化层、标注层和发布层。每个文件及派生对象记录来源批次、采集时间、授权文件编号、设备/软件版本、转换工具版本、校验和、脱敏策略和责任角色。转换只生成新版本,不覆盖原件;标注保存坐标、时间戳、标签、置信度、指南版本和复核记录。这样才能重建“模型看到的输入来自哪里、经过什么处理、谁作了什么判断”。
把切分与评测设计前移
医学与金融数据尤其容易发生主体泄漏和时间泄漏。应优先按患者、账户、家庭、建筑项目、设备或源机构分组,再按时间设定训练、验证、测试;同一患者的检查、报告和住院文书不得跨集合泄漏。测试集来源、标签和访问权限单独管理,冻结版本并记录哈希。内部随机切分只说明同分布表现,不能替代跨医院、跨设备、跨市场或前瞻性外部验证。
以错误分析驱动补数
总体准确率会掩盖少数群体、低频类别和关键边界条件。交付数据卡应同时报告单位定义、纳入排除规则、缺失率、重复率、字段完整率、标签一致性、类别分布、机构/设备/时间分布及置信区间。对困难样本、阴性样本、模糊样本和真实世界失败样本设置独立清单。数据补采的优先级应由下游错误成本与不确定性决定,而不是单纯追求更大数量。
用可复核的流程体现运营能力
朗慧可把能力落实为可审计的工作包:需求映射、权利与伦理核验、样本盘点、格式转换、双人标注、专家仲裁、自动化质检、盲测抽检、数据卡和版本发布。每个环节都应有输入、输出、责任人、判退条件和留痕。页面介绍的是拟构建方向,不等于已完成采购、取得授权或达到客户验收;正式承诺应以逐批数据清单、许可证明、样例评测和合同附件为准。
落到字段:最小交付实体
本方向建议以“Drawing/Block/INSERT/Entity”作为主要实体,并为患者/项目/检查/会话等上层主体保留受控关联键。每条记录需要稳定 ID、数据版本、来源批次、采集或事件时间、生成/转换软件版本、权利依据状态和责任角色。字段级数据字典需要列出类型、单位、允许值、空值语义、原始来源和变换规则;派生标签应保留原文或几何证据指针。交付方要同时提供样本计数脚本和去重逻辑,采购方才能重算数量。
质控要覆盖的方向特异指标
除通用完整性外,至少跟踪:实体解析覆盖、语义块命名、几何闭合、单位和坐标、外部引用状态、往返转换差异。指标应分别报告总体、批次、机构/设备和关键子群分布,列明统计分母、抽样方法、缺失处理和置信范围。数据异常不能只以“已清洗”概括,要保留缺陷类别、处置动作、返工数量和豁免依据。若某项指标不可计算,应明确原因与风险,而不是用空值掩盖。高风险字段可设置自动阻断阈值,但阈值要由项目方与领域专家签署确认。
任务设计围绕可观察能力
适合构建的训练和评测能力包括:实体分类、图层归一、空间关系、图纸问答、DWG/DXF 转 JSON、布局约束与差异检测。每个任务包需定义目标输入、可用信息截止点、输出结构、参考证据、允许的替代答案、失败边界和人工升级条件。监督微调数据可强调正确映射和证据引用;偏好数据需成对呈现质量差异及判据;RL 环境则必须加入状态、动作、工具权限、终止条件和奖励验证。不能把不同任务类型合并为一项综合分数,也不能用语言流畅度替代专业正确性。
必须主动测的失败模式
测试集要明确覆盖:匿名块、Group 语义丢失、单位错乱、重复线、项目跨分区泄漏、标题栏泄密和生成几何碰撞。针对每类错误准备最小反例和近似正例,检查标注者与 Judge 是否稳定区分。训练集、调参集和最终盲测集按主体及来源分开;所有派生版本记录样本哈希,审计重复与答案污染。对稀有但高后果的边界案例,单独报告样本量和不确定性,禁止把平均指标解释成全人群保证。发现错误时,要能定位到数据来源、字段、标注规则或模型组件。
客户可独立复核的验收包
本方向建议以如下证据作为可交付门槛:双格式随机抽验、JSON Schema、视觉对照、块实例统计、许可证追溯及解析失败清单。此外提供数据卡、字段字典、来源与许可清单、去标识化说明、质量报告、标签指南、版本差异、样例使用协议和已知限制。验收抽样由双方约定的随机种子或采购方独立抽取,并保留复核过程。涉及敏感信息的样例应在受控环境检查,不能通过邮件或公开网页传递原始记录。任何数量、准确率或完成率都注明测试日期、批次、分母及责任签署人。
治理、合规与用途边界
任何敏感数据都必须先回答“谁有权提供、为何可处理、谁可以使用、能否再分发、何时删除”。健康与精神健康记录属于敏感个人信息场景,不能仅凭删除姓名就宣称匿名;影像标签、稀有事件、机构和时间组合仍可能重新识别。应完成合法处理基础、必要性与最小化评估、单独同意或其他适用基础核验、伦理审查、访问控制、加密、导出审批、日志审计和到期删除设计。跨境、商业训练、公开发布和模型权重再分发分别核验。
复现、漂移与版本发布
建议为每次构建生成批次快照,固定输入清单、转换代码、标注指南、模型和评测器版本;关键步骤有变更时,不覆盖已发布版本,而是生成新版本并写明变更原因、影响字段、受影响样本数和回归测试。定期检查来源接口、设备软件、指南、市场数据或业务模板变化。若分布漂移超出约定范围,应暂停自动发布并重做代表性抽检。客户引用数据卡时可以定位到批次和版本,朗慧内部也能从缺陷报告回溯处理责任。
从数据质量到业务价值的闭环
运营指标应与模型风险和客户工作流连接:数据是否覆盖目标场景、标注分歧是否集中在高价值边界、模型错误是否能通过补采或规则调整降低、每轮迭代的成本和质量是否可解释。建议设置需求提出、样例验证、权利审查、工程构建、专家复核、买方盲测和售后监控等阶段门,每阶段明确责任人及退出条件。复盘不仅记录通过的样本,也要记录拒收、授权不足、格式失败和模型失效案例,使下一批建设有证据而非凭经验扩量。
发布与持续运营的管理指标
产品运营应分开追踪需求确认周期、来源核验通过率、样例到正式批次转化率、字段和格式一次验收率、专家复核分歧率、返工周期、客户复测差异及版本更新影响。指标须注明计数单位、统计时间和样本范围,避免用“交付量”掩盖权利材料或质量缺陷。每次发布前由数据负责人确认数据卡与页面描述一致,法务/隐私负责人确认允许用途,技术负责人确认格式及复现,领域专家确认标签规则。发生版本变化时同步更新目录、数据字典、样例协议和客户通知记录。
参考资料与技术依据
论文用于说明方法和研究方向;结果依赖其数据与实验条件,不直接证明本页面所述数据已经建成或可用于特定部署。
联系朗慧,讨论样例与数据方案
朗慧科技
电话:137-5502-0164
邮箱:lk@langhuiai.com
地址:长沙高新开发区文轩路27号麓谷钰园F1、F2栋2006房
请注明关注的数据方向、用途、模态/字段、预期规模和交付时间。具体范围以授权核验及双方书面确认结果为准。