建筑平面圖是AEC（建筑、工程、施工）領(lǐng)域的核心 「語(yǔ)言」，貫穿設(shè)計(jì)思想草繪、方案交流與落地執(zhí)行全流程。而住宅作為人們?nèi)粘Ｉ畹幕究臻g載體，其平面圖更是在建筑設(shè)計(jì)早期發(fā)揮著核心作用。

然而，傳統(tǒng)平面圖設(shè)計(jì)流程高度依賴建筑師個(gè)人經(jīng)驗(yàn)，存在效率低、反饋慢、缺乏智能輔助等問(wèn)題。

針對(duì)這一挑戰(zhàn)，平面圖自動(dòng)生成模型（如GAN、擴(kuò)散模型）不斷涌現(xiàn)，但現(xiàn)有研究忽略了一個(gè)關(guān)鍵矛盾：

傳統(tǒng)評(píng)估依賴FID、PSNR、GED等統(tǒng)計(jì)指標(biāo)，僅衡量圖像質(zhì)量或結(jié)構(gòu)相似性，完全未融入建筑專業(yè)知識(shí)——即便模型在這些指標(biāo)上表現(xiàn)優(yōu)異，生成的平面圖仍可能存在 「功能分區(qū)混亂、流線低效、空間比例失衡」 等致命問(wèn)題，難以應(yīng)用于實(shí)際設(shè)計(jì)。

此外，已有研究方案還存在三重局限：

1. 數(shù)據(jù)集缺乏建筑師專業(yè)反饋，無(wú)法為模型提供 「何為合理設(shè)計(jì)」 的指導(dǎo)；

2. 是評(píng)估標(biāo)準(zhǔn)與建筑實(shí)際需求脫節(jié)，無(wú)法篩選出真正可行的方案；

3. 是生成模型未整合人類反饋優(yōu)化，難以對(duì)齊建筑師的設(shè)計(jì)偏好。

針對(duì)上述痛點(diǎn)，清華大學(xué)深圳國(guó)際研究生院副教授呂帥團(tuán)隊(duì)提出FloorPlan-LLaMa模型，采用自回歸生成架構(gòu)，并創(chuàng)新性地引入「基于人類反饋的強(qiáng)化學(xué)習(xí)（RLHF）」機(jī)制，使模型在自動(dòng)生成建筑平面圖時(shí)，能夠有效實(shí)現(xiàn)住宅功能區(qū)域分布的合理性與空間布局的清晰性，同時(shí)具備良好的房間輪廓表達(dá)與形式美感。

論文地址：https://aclanthology.org/2025.acl-long.331/

模型不僅學(xué)習(xí)建筑師在功能分區(qū)與空間流線組織方面的專業(yè)偏好，還能夠把握整體構(gòu)圖的協(xié)調(diào)性與設(shè)計(jì)邏輯。

該方法實(shí)現(xiàn)設(shè)計(jì)生成與專家判斷之間的深度協(xié)同，提升了生成式平面圖在實(shí)際使用場(chǎng)景中的設(shè)計(jì)質(zhì)量與實(shí)用價(jià)值。

FloorPlan-LLaMa模型的優(yōu)勢(shì)

該論文近日被自然語(yǔ)言處理與人工智能領(lǐng)域的國(guó)際頂級(jí)學(xué)術(shù)會(huì)議ACL錄用，并獲得領(lǐng)域主席獎(jiǎng)。

ACL大會(huì)是自然語(yǔ)言處理與人工智能領(lǐng)域的國(guó)際頂級(jí)學(xué)術(shù)會(huì)議。

本屆大會(huì)共收到超過(guò)8000篇投稿，243篇論文被遴選為口頭報(bào)告，47篇論文獲得高級(jí)領(lǐng)域主席推薦獎(jiǎng)（SAC Highlights）。

FP-LLaMa模型的成功入選，充分體現(xiàn)了該研究在跨學(xué)科創(chuàng)新和應(yīng)用實(shí)踐方面的領(lǐng)先性和影響力。

第一作者為清華大學(xué)博士生殷俊，共同第一作者為清華大學(xué)博士生曾鵬宇，通訊作者為該校副教授呂帥，團(tuán)隊(duì)其它成員還包括孫浩源，張淼，戴語(yǔ)琴，鄭涵，張亞超。

技術(shù)核心

FloorPlan-LLaMa 模型圍繞「讓 AI 理解建筑專業(yè)需求」的理念設(shè)計(jì)，其包含數(shù)據(jù)集、評(píng)分模型和生成模型三大核心組件：

研究人員提出了ArchiMetricsNet數(shù)據(jù)集，這是第一個(gè)包含三個(gè)專業(yè)評(píng)估維度（功能性、流線和整體評(píng)估）以及詳細(xì)文本分析的平面圖數(shù)據(jù)集。

ArchiMetricsNet數(shù)據(jù)集內(nèi)容示意

研究人員使用ArchiMetricsNet數(shù)據(jù)集，訓(xùn)練了一個(gè)專為平面圖多維度評(píng)估設(shè)計(jì)的模型FloorPlan-MPS（多維度偏好分?jǐn)?shù)），將該模型生成的分?jǐn)?shù)稱為ARS（建筑合理性分?jǐn)?shù)）。

研究人員開(kāi)發(fā)了FP-LLaMa生成模型，一個(gè)基于自回歸框架的平面圖生成模型。

為了整合建筑師的專業(yè)知識(shí)和偏好，F(xiàn)loorPlan-MPS在RLHF過(guò)程中被用作獎(jiǎng)勵(lì)模型，使FP-LLaMa的輸出與社區(qū)需求保持一致。

該方法采用了自回歸生成機(jī)制，巧妙地消除了RLHF階段反向擴(kuò)散過(guò)程中對(duì)噪聲預(yù)測(cè)的需要。

具體來(lái)說(shuō)，使用FloorPlan Tokenizer將平面圖轉(zhuǎn)換為離散的詞元序列，并使用Next-Token Prediction順序生成平面圖。

此外，為了提高效率，研究人員還結(jié)合了類條件機(jī)制和無(wú)分類器指導(dǎo)。

FP-LLaMa的三大階段框架

FloorPlan Tokenizer：采用與VQGAN類似的編碼器-量化器-解碼器框架，可將連續(xù)的樓層平面圖數(shù)據(jù)轉(zhuǎn)換為離散標(biāo)記，且訓(xùn)練時(shí)會(huì)同時(shí)采用重建損失、基于LPIPS的感知損失及來(lái)自PatchGAN判別器的對(duì)抗損失：

Next-Token Prediction：在推理時(shí)，F(xiàn)P-LLaMa使用自回歸框架按順序生成詞元。對(duì)于樓層平面圖詞元序列帶有自回歸預(yù)測(cè)的Next-Token。

當(dāng)For到達(dá)推理層時(shí)，計(jì)劃詞元FP-LLaMa序列生成，下一個(gè)詞元的概率由下式給出：

作為一個(gè)融合了建筑學(xué)專業(yè)知識(shí)的模型，該方法實(shí)現(xiàn)設(shè)計(jì)生成與專家判斷之間的深度協(xié)同，提升了生成式平面圖在實(shí)際使用場(chǎng)景中的設(shè)計(jì)質(zhì)量與實(shí)用價(jià)值。

實(shí)驗(yàn)結(jié)果

研究人員在提出的建筑指標(biāo)網(wǎng)絡(luò)（ArchiMetricsNet）數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，采用四個(gè)關(guān)鍵評(píng)估指標(biāo)：

FID（弗雷歇初始距離）、SSIM（結(jié)構(gòu)相似性指數(shù)測(cè)量）、PSNR（峰值信噪比）以及新提出的ARS（建筑合理性得分，F(xiàn)loorPlan - MPS模型的評(píng)估結(jié)果）。

研究人員測(cè)試了兩種不同的生成任務(wù)：類別條件生成和文本條件生成。

對(duì)比時(shí)選擇了以下基線方法：HouseGAN 、HouseGAN++、HouseDiffusion 、FloorPlanDiffusion 、Tell2Design、Obj-GAN、Qwen2.5-7B-Instruct、ChatGLM4V。

定性實(shí)驗(yàn)

類條件生成

生成中HouseGAN 等現(xiàn)有先進(jìn)模型或基于圖形、或用輸入房間塊生成布局，為公平比較，每種方法均采樣500張圖像并選建筑合理性得分中位數(shù)示例，按FloorPlanDiffusion顏色配置展示。

不同方法在Text-Conditional task上生成的平面圖的定性結(jié)果

ClassConditional任務(wù)上的平均人工評(píng)估分?jǐn)?shù)

ClassConditional任務(wù)上的人工評(píng)估勝率

文本條件生成

受Tell2Design啟發(fā)，研究人員將大語(yǔ)言模型用于 「隔壁房間序列預(yù)測(cè)」任務(wù)，以 Llama-3.2-11B-Vision-Instruct 為主干，對(duì)比 ChatGLM4V 等模型；

現(xiàn)有方法雖能生成高質(zhì)量圖像，但建筑師視角下次優(yōu)，而帶RLHF的FP-LLaMa布局更實(shí)用。

定量實(shí)驗(yàn)

為公平比較，研究人員計(jì)算不同方法生成平面圖的度量時(shí)采用FloorPlanDiffusion配色方案，下表展現(xiàn)傳統(tǒng)指標(biāo)性能。

不同方法間類條件生成結(jié)果

不同方法在文本條件生成中的結(jié)果

下表則使用建筑合理性得分（ARS）評(píng)估；

不同方法在類條件生成中的建筑合理些得分（ARS）

不同方法在文本條件生成中的建筑合理些得分（ARS）

結(jié)果表現(xiàn)為FP-LLaMa傳統(tǒng)指標(biāo)最佳，加RLHF后傳統(tǒng)指標(biāo)略降，但ARS比次優(yōu)方法高8.54%且貼合建筑師偏好，未加RLHF的FP-LLaMa評(píng)分近傳統(tǒng)方法，這說(shuō)明清晰度和與真實(shí)值相似性不代表設(shè)計(jì)合理，因原始數(shù)據(jù)集含不合理布局且有偏差。

總結(jié)

研究人員試圖通過(guò)引入ArchiMetricsNet(一個(gè)具有人類反饋的數(shù)據(jù)集)來(lái)解決現(xiàn)有建筑平面圖生成和評(píng)估方法的局限性;

FP-LLaMa，一個(gè)微調(diào)的自回歸模型，與專業(yè)建筑師保持一致。

這項(xiàng)工作推進(jìn)了人類專業(yè)知識(shí)在建筑平面圖生成技術(shù)中的整合，并展示了大型自回歸生成模型在「建筑、工程與施工」領(lǐng)域的潛力。