AI 看图纸能力调研:施工图纸核对场景的可行路线

读者档:内部决策 · 学习域 · 2026-09-14 · 3 轮检索 · 学术基准 + 国内外产品 + 开源组件 · 40+ 来源

关键词:AI 识图 · CAD · 工程图纸 · 图纸核对 · 高速公路施工 · 多模态大模型 · AI 审图 · 图纸比对

面向高速公路施工单位"设计图纸 PDF/CAD vs 现场实测数据比对"场景,调研通用多模态大模型识图能力、国内外成熟产品与自研管线积木,给出三档落地方案。

研究摘要

本报告以公开学术基准、厂商官方资料与行业政策为来源,回答一个问题:高速公路施工单位能不能用 AI 把设计图纸(PDF/CAD)和现场实测数据核对起来。核心结论前置:

1. 通用 VLM 直接看工程图纸不可靠:构件计数准确率仅 0.40–0.55,绘图区尺寸标注 OCR 准确率仅 29%;但"专用管线 + 领域训练 + 人在回路"路线经学术与产业双重验证可行,领域微调小模型(MechVL-4B-RL 84.85 分)已反超最强闭源通用模型 +7.57。
2. 市面空白:国内外均无"PDF/CAD 图纸 vs 现场实测数据直接比对"成品;最接近的是 Bluebeam Max(图纸内审查 + 版本比对)与 Doxel/Buildots(现场影像 vs BIM 比对,依赖 BIM 模型)。
3. 政策顺风:交通运输部要求 2024 年 6 月起新开工国家高速公路原则上提交 BIM 设计成果;国内仅广联达 AI 公路算量直接覆盖公路场景(识图出量,不查设计问题)。
4. 自研管线积木全部成熟:ezdxf + ODA File Converter(4600 个 DWG 转换成功率 98%)、PyMuPDF、CloudCompare 点云比对、Autodesk APS Automation API、AutoLISP/pyautocad 接 LLM,均为生产可用组件。
5. 责任边界清晰:AI 只能做内部辅助(圈疑点 + 人工复核清单),不承接法定审查责任,判例与施工图审查管理办法均支持此定位。

01 场景与需求拆解

1.1 施工图纸核对在干什么

场景定义:施工单位拿到设计院下发的 PDF/CAD 图纸,需要核三类东西——图纸自身的错漏碰缺(尺寸矛盾、标注缺失、专业间冲突)、图纸版本变更(改版前后差异)、图纸与现场的对得上对不上(桩号、结构物尺寸、标高 vs 实测数据)。现阶段这三件事全靠人工,错漏直接进入返工。

1.2 人工核对的错漏成本:返工是结构性的

美国建筑业协会 CII 口径:返工平均占总项目成本 5%–9%,部分项目超过 12%–15%;设计错误与遗漏是返工第一大单一原因(约占一半,引 Love 2002)。FMI/PlanGrid(2018)估算美国建筑业每年因劣质数据与沟通失误损失约 313 亿美元。成本规律是"1-10-100":设计阶段发现一个错误,比施工阶段便宜一个数量级,比交付后便宜两个数量级。(来源:Helonic 综述,引 CII / FMI / Love 2002 / Navigant)

关键数字:

• 29%:通用 OCR 对绘图区尺寸标注的字符级准确率(1.2 万张竣工图实测)
• 313 亿美元/年:美国建筑业劣质数据与沟通失误年损失(FMI/PlanGrid 2018)
• 5–9%:返工占总项目成本(CII 口径,部分项目 12–15%)

图 2(降级为数据表)· 返工成本占项目总值的多口径对比(%):

**核心结论:**返工稳定吃掉 5–9% 项目成本,设计错误是首因——图纸核对是值得投入的环节。

1.3 这个场景要求 AI 具备哪几类能力

把核对任务拆成 AI 能力项,共四类:

1. 图纸信息提取——从 PDF/CAD 中读出桩号、尺寸、结构物参数并结构化;
2. 图纸内审查——发现尺寸矛盾、标注缺失、专业冲突;
3. 版本比对——两版图纸差异自动定位;
4. 图纸-实测比对——图纸数值与测量台账/点云数据逐项核对。

后文所有能力与产品评估都按这四项打分。

**核心结论:**返工成本 5–9% 是结构性损耗,设计错误占返工首因,图纸核对是降本确定性最高的切口;但通用 OCR 对绘图区尺寸标注只有 29% 准确率,说明"随便拿个 AI 读图纸"路线从第一步就会崩,能力短板必须逐层拆开看。

02 VLM 识图能力现状

2.1 能力梯度:三层,强弱分明

AECV-Bench(2026-01,最贴近建筑/公路图纸场景的公开基准:120 张平面图构件计数 + 192 对图纸问答)给出的结论稳定:当前系统"作为文档助手表现良好,但缺乏稳健的图纸素养"(current systems function well as document assistants but lack robust drawing literacy),作者建议领域专用表示 + 工具增强 + 人在回路。能力呈三层梯度(来源:AECV-Bench,arXiv 2601.04819):

• L1 · 强:OCR / 文本问答(≈0.70–0.95):读图签、读说明文字、答文本类问题基本可用。对核图意味着:图纸目录、标题栏、设计说明的自动归档检索可以直接上。
• L2 · 中:空间推理:跨视图定位、相对位置判断时好时坏,难度上升准确率单调下降。对核图意味着:平面图与剖面图互查、桩号定位需人工兜底。
• L3 · 弱:符号 / 构件计数(0.40–0.55):数门窗、数构件这类符号中心理解未解决,无模型超过 0.51(二手转述,未核实)。对核图意味着:让 VLM 直接数桩、数梁、数预埋件,结果不可采信。

2.2 机械图纸基准:通用模型天花板 77 分,领域微调反超

MechVQA(2026,3.3K 真实零件/装配图 + 21K 问答)是图纸理解最硬的公开基准之一。结果:通用闭源模型最高 Gemini-3-Pro-Preview 77.28 分;领域微调的开源小模型 MechVL-4B-RL 达 84.85 分,反超最强闭源 +7.57。失败归因不是 OCR,而是标注密度高 + 符号杂乱漏读、弱领域先验、跨视图空间推理不可靠;RL 后训练把 hard 子集准确率从 53% 拉到 75%。(来源:MechVQA,arXiv 2605.30794)

图 1(降级为数据表)· MechVQA 机械图纸理解基准六模型总分对比:

**核心结论:**通用 VLM 看机械图纸最高 77 分,领域微调小模型反超 +7.57——能力短板可靠领域训练收窄,不必等通用模型进化。

2.3 其余基准的交叉印证

• DesignQA(MIT + Autodesk,2024):1451 题,真实规则文档 + CAD + 工程图。模型普遍难以检索长文档规则、识别 CAD 部件、分析工程图纸;GPT-4o 总体最好。尺寸合规子集 0.825,错例集中在用比例尺推算尺寸的题(细节未核实)。(来源:arXiv 2404.07917)
• MIT 1000+ 查询评测:GPT-4V/LLaVA 在九类工程设计任务上有潜力,但复杂工程设计应用有明确局限。(来源:arXiv 2311.12668)
• CAD-Assistant(未核实):GPT-4o 在 SGPBench 2D CAD 语义 QA 精确渲染图 0.754、手绘草图 0.616。(来源:arXiv 2412.13810)

2.4 两条"专用管线必需"的硬证据

橡树岭国家实验室 Blueprint 项目(77 万工程档案多模态检索):纯文本 NLP 基线对图纸的召回近零(0.8%),布局感知专用管线(区域检测 → VLM OCR → 标识符规范化 → 混合检索)把 Success@3 提升 +10.1%。Unstructured 生产管线的核心论点同样直白:"让 VLM 总结图纸没用,必须带空间坐标做结构化重建"。(来源:arXiv 2602.13345、Unstructured 博客)

另一条坏消息:通用 OCR 在 1.2 万张建筑竣工图上字符级准确率仅 58.7%,绘图区尺寸标注 29%、旋转标注 13.0%;分区定制 OCR 后综合提到 87.3%,但绘图区仍仅 78%——尺寸标注区是图纸核对最关键也最不可靠的环节。(来源:CSDN 技术文)

**核心结论:**指望 GPT/Claude/Gemini 直接看懂施工图并核对数据,当前不成立;但"结构化提取管线 + 领域微调/后训练 + 人在回路"能把可用性拉到生产级,MechVQA 的 +7.57 反超和 Blueprint 的 0.8% 召回从正反两面证明了同一件事——管线比模型重要。

03 国内产品盘点

3.1 AI 审图与 CAD 智能化产品全景

国内 AI 审图主战场在房建施工图合规审查,公路/基建覆盖极少。逐家盘点如下(厂商宣称数字无第三方验证,一律标注):

**核心结论:**国内 AI 审图产品扎堆房建合规审查;唯一直接覆盖公路的广联达做的是"识图出量"不是"查设计问题";没有任何国内产品做"图纸 vs 现场实测比对"。(来源:万翼官网/搜狐横评/构力官网/广联达官网及公告/搜狐品茗报道/中望发布会报道/浩辰官网)

**核心结论:**国内没有可直接采购的核对成品。若已有广联达授权,先激活 AI 公路算量解决"识图出量"环节最划算;图纸内审查可借万翼/构力思路,但它们不接公路;比对环节只能自建。

04 国外产品盘点

4.1 图纸理解、比对与现场-模型比对三条线

国外产品分三条线:CAD 平台内置 AI(辅助制图级)、图纸审查/比对(Bluebeam 系)、现场影像 vs BIM 比对(Doxel/Buildots 系)。

**核心结论:**国外比对赛道全部以 BIM 模型为基准、相机影像为输入;PDF/CAD 图纸 + 非 BIM 实测数据直接比对,国外同样无现成产品。(来源:Autodesk 官方/Engineering.com/Bluebeam 官网/Togal 官网/Kreo 官网/Doxel 官网/SiliconANGLE/Provision/TexoCAD 实测)

**厂商口径打折采纳(警告):**Togal 98% 精度、Kreo 99.3% 面积捕获、万翼 95% 准确率、广联达 10 倍提效等数字均无第三方验证,采购决策前必须要求厂商用本项目真实图纸做 PoC 复测。

**核心结论:**最接近成品的组合是 Bluebeam Max(图纸内审查 + 版本比对)+ Doxel/Buildots 思路(现场 vs BIM);但后者依赖 BIM 模型,恰好交通部 2024-06 起要求新开工国高项目提交 BIM 成果——BIM 路线在国内公路场景的原料正在就位。

05 技术框架与开源组件

5.1 CAD 解析:DWG→DXF 两阶段是工程事实标准

ezdxf 1.4.4(2026-05,MIT 协议)是最成熟的开源 DXF 解析库,读写 R12–R2018;odafc 插件调 ODA File Converter 读写 DWG。工程事实标准流程:ODA File Converter 命令行批量 DWG→DXF,再用 ezdxf 提取结构化元数据。DEVQUBE 实测(供应商口径):4600 个 DWG 转换成功率 98%,16 核约 8 文件/分钟;标题栏 OCR 项目号 89%/版本日期 84%/图名 76%。(来源:ezdxf 官方文档、DEVQUBE)

5.2 PDF 矢量提取

PyMuPDF 在 2025-11 的 PDF 表格抽取基准中词序与 BLEU-4 最优,速度比 pdfminer 快 30–45 倍(未核实);pdfplumber 反解析矢量 PDF 图纸回灌 AutoCAD 有实战案例(未核实)。(来源:arXiv 2511.16134、leafautomation.ai)

5.3 图纸 diff:桌面原生 + 元数据级两路并行

桌面 CAD 原生比对成熟:AutoCAD DWG Compare(对象级差异高亮)、GstarCAD 2026 DWG Compare、DraftSight Draw Compare(未核实)。工程化路线:两版图纸提取图层/块/实体为 JSON 后比对,自动产差异报告(DEVQUBE 已验证)。(来源:Autodesk Help、DEVQUBE)

5.4 点云 vs 设计模型:Scan-vs-BIM 是成熟工业流程

激光扫描点云到设计面距离计算 → 毫米级彩色偏差图,典型检出案例:钢梁偏 8mm/墙倾 12mm/套管偏 15mm。开源侧 CloudCompare 云对云距离计算(最近邻/Hausdorff、多线程)可直接用。(来源:Brighter Graphics、CloudCompare wiki)

5.5 AI 操作 CAD:脚本化可行,全自动建模不可靠

Autodesk APS Automation API(原 Design Automation)云端批量处理 DWG(提取/参数调整/自动出图),fan-in 并行,是"AI 操作 CAD"最成熟的工程化接口,但本身无图纸理解智能。学术研究验证:LLM 生成 CAD 脚本 + 无头执行 + 错误回驱迭代,简单-中等模型 1–3 次迭代 20–80 秒收敛;高约束模型 50 次迭代仍失败——"AI 写 CAD 自动化脚本"可行,"全自动精确建模"不可靠。社区路径:AutoLISP 生成自动化脚本 + pyautocad/COM 驱动桌面 AutoCAD。(来源:Autodesk APS、arXiv 2508.00843、Autodesk 论坛)

**核心结论:**自建比对管线不需要从零造轮子——解析(ezdxf+ODA)、PDF 提取(PyMuPDF)、版本 diff(DWG Compare/JSON 比对)、现场比对(CloudCompare 点云)、CAD 自动化(APS/AutoLISP)五块积木全部生产可用,自研工作量集中在"比对规则引擎"这一层。

06 可行方案与落地路线

6.1 为什么是现在:政策与渗透率双重窗口

交通运输部《关于推进公路数字化转型加快智慧公路建设发展的意见》:2024 年 6 月起新开工国家高速公路原则上应提交 BIM 设计成果,2027 年构建"一套模型、一套数据"全生命期数字化,并要求 BIM 成果向施工传递转化、模型与实体同步验收交付。(来源:mot.gov.cn 原文)

渗透率侧:中建协认证中心调研(523 家企业)显示 2025 年建筑业 BIM 应用率 74.1%(较 2020 年 +40pp),而 AI 核心业务渗透率不足 15%(2030 年预计 50%);主要障碍是人才匮乏 55.7%、高管认知不足 50.7%、标准不兼容 44.3%。(来源:未来智库转载)

图 3(降级为数据表)· 建筑业数字化渗透率对比(%,523 家企业调研):

**核心结论:**BIM 已普及、AI 是洼地——AI 图纸核对存在先发窗口,且 BIM 原料已就位。

6.2 三档落地方案

• 档 1 · 零成本验证:现有 VLM 实测本项目图纸。做法:用 GPT/Claude/Gemini/Qwen-VL 对 5–10 张本项目真实图纸做识图测试(桩号/尺寸/结构物参数),量化真实准确率。成本:仅 API 费用,百元级。风险:预期准确率低(基准已预示),目的是摸清底线再定投入,不是直接投产。
• 档 2 · 半定制管线:ezdxf/PyMuPDF 提取 + 规则比对 + VLM 圈疑点。做法:DWG→DXF(ezdxf)结构化提取 → 与测量台账逐项规则比对 → VLM 只在疑点处做视觉复核,产"疑点清单 + 人工复核"。先拿一座桥做试点。成本:万元级开发人力。风险:比对规则需贴合本项目台账格式;绘图区 OCR 短板需用矢量提取绕开。
• 档 3 · 成品采购:DWG Compare / Bluebeam / 广联达公路算量。做法:版本比对用 DWG Compare(AutoCAD 自带)或 Bluebeam Revu/Max;识图出量激活广联达 AI 公路算量(若已有授权)。成本:Bluebeam Max $590/人/年,国产算量软件数千元/年。风险:均不覆盖"图纸 vs 实测比对",只能解决环节的一部分。

6.3 现场比对的路线选择:BIM 优先于 PDF

"PDF 图纸 + 实测数据直接比对"国内外均无成品,且绘图区 OCR 短板(29%→78%)决定硬啃 PDF 性价比低。"BIM 模型 + 现场实测"(Scan-vs-BIM、点云比对、Doxel/Buildots 流程)是成熟工业流程,且交通部政策正在把 BIM 成果变成公路项目的标准交付物。建议现场比对优先走 BIM 路线,PDF 路线只做图纸内信息提取与版本比对。

6.4 责任边界:AI 只做内部辅助

判例(2013 浙民提字 133 号):审图机构漏审非强条缺陷免责——法定审查责任范围极窄。《房屋建筑和市政基础设施工程施工图设计文件审查管理办法》第 15 条:审查责任主体法定,无法转移给软件。最高法观点(未核实):AI 模型不是民事主体,责任在部署使用方。施工单位仅承担按图施工责任,AI 核对属内部质量行为,不改变法定责任链(未核实)。行业共识(未核实):AI 审图定位为"圈疑点 + 人工复核清单",终审靠人。(来源:汕头市政府以案释法、南方网、广东粤湾审图、actionsky)

**核心结论:**推荐路线 = 档 1 零成本验证先行(摸清本项目真实准确率)→ 档 2 半定制管线做"图纸-台账比对 + VLM 圈疑点"试点 → 版本比对与算量环节用档 3 成品补齐。现场比对一律优先 BIM 路线。AI 输出只产内部疑点清单,不署名、不对外、不承接审查责任;涉密图纸不发境外 API,私有化/国产模型优先。

结语

三句话收尾:第一,通用大模型直接看图纸核对数据,今天不成立,基准分数摆在那里;第二,"结构化提取 + 规则比对 + VLM 圈疑点 + 人工复核"的专用管线,学术(Blueprint、MechVQA、Unstructured)与产业(DEVQUBE、Scan-vs-BIM)双重验证可行,且积木全部现成;第三,市面空白意味着没有可买的成品,也意味着先做出来的单位吃到 5–9% 返工成本里属于自己的那一块。下一步动作清单见《处置卡.md》。

参考文献

1. AECV-Bench: Benchmarking Multimodal Models on Architectural and Engineering Drawings Understanding,2026-01-08。https://arxiv.org/abs/2601.04819
2. Benchmarking and Enhancing Multimodal LLMs on Comprehensive Mechanical Drawing Understanding(MechVQA),2026-07。https://arxiv.org/html/2605.30794v2
3. DesignQA(MIT + Autodesk),2024-08-23。https://arxiv.org/pdf/2404.07917v2
4. From Concept to Manufacturing(MIT,VLM 工程设计任务评测),v3 2024-12。https://arxiv.org/html/2311.12668v3
5. CAD-Assistant(SGPBench),2024-12。https://arxiv.org/pdf/2412.13810
6. CadBench(CAD 程序生成基准),2026-05。https://arxiv.org/html/2605.10873v2
7. Osprai 博客:What are vision models(AECV-Bench 分数二手转述,未核实),2026。https://www.osprai.app/blog/what-are-vision-models
8. 万翼科技官网,2026-01。https://www.vanyitech.com/vanyitech_2026/about
9. 百度百科:万翼科技有限公司(准确率等厂商口径,未核实)。https://baike.baidu.com/item/万翼科技有限公司/24549104
10. 搜狐:电力设计 AI 审图横评,2026-06-16。https://www.sohu.com/a/1037456833_122251567
11. 软小二:PKPM-AIChecker 产品页,2026-03。https://www.softxiaoer.com/software/pkpm-aichecker/
12. 构力科技官网:施工图审查软件发布,2024-10。http://www.cabrtech.com/cabrtech/xwzx/gsdt/2024/10/I1301230207281135616.html
13. 广联达官网:AI+BIM 公路算量产品页,2025-06。https://m.glodon.com/mobile/product/detail/445
14. 新浪财经:广联达公告(AI 公路算量突破桥隧、AecGPT),2026-03-23。https://money.finance.sina.com.cn/corp/view/vCB_AllBulletinDetail.php?stockid=002410&id=12012101
15. 搜狐:品茗科技"筑瞳 AI + 筑图 AI"双基座,2026-07-22。https://www.sohu.com/a/1053395866_393194
16. 鲁班商城:智能算量公开价(未核实),2025-09。https://lubanshop.com/store/products.htm
17. 小库科技官网(MasterPlanner)。https://www.xkool.ai/zh/MasterPlanner
18. 品览官网(沧灵 AI 平台,未核实),2026-09。https://pinlandata.com/
19. 搜狐:中望 CAD 2026 发布会报道,2026-04-20。https://www.sohu.com/a/1011976363_613767
20. 浩辰 CAD 官网:AI 助手。https://www.gstarcad.com/ai/assistant/
21. Autodesk 官方:AutoCAD AI-driven features,2026-05。https://www.autodesk.com/support/technical/article/caas/sfdcarticles/sfdcarticles/What-are-the-AutoCAD-AI-driven-features.html
22. MoneyControl:AU 2025 Neural CAD 发布,2025-09。https://www.moneycontrol.com/technology/au-2025-autodesk-announces-new-3d-generative-ai-foundation-models-for-fusion-and-forma-with-neural-cad-and-autoconstrain-features-article-13551657.html
23. Autodesk APS Automation APIs,2025-12。https://aps.autodesk.com/automation-apis
24. Engineering.com:Bluebeam Auto Align,2024-06。https://www.engineering.com/bluebeam-unveils-auto-align-for-overlay-and-comparison-of-drawings/
25. Engineering.com:Bluebeam 收购 Firmus AI,2025-09。https://www.engineering.com/bluebeam-acquires-firmus-ai-to-enhance-preconstruction-design-review/
26. Bluebeam 官网:Bluebeam Max,2026-07。https://www.bluebeam.com/bluebeam-max/
27. Togal.AI 官网。https://www.togal.ai/
28. Kreo 官网(Auto Measure 3.0 自测口径)。https://www.kreo.net/
29. Doxel 官网。https://doxel.ai/
30. SiliconANGLE:Buildots 4500 万美元 D 轮,2025-05-29。https://siliconangle.com/2025/05/29/buildots-raises-45m-ai-powered-construction-management-platform/
31. Provision:Best preconstruction AI software 2026,2026-04。https://provision.com/blog/best-preconstruction-ai-software-general-contractors-2026
32. TexoCAD:Zoo Text-to-CAD 实测,2026-01。https://blog.texocad.ai/posts/zoo-text-to-cad-review
33. teardown.ai:Buildots 拆解(OpenSpace 收购 Disperse,未核实),2026-07。https://www.teardown.ai/companies/buildots
34. ezdxf 官方文档,2026-05-14。https://ezdxf.readthedocs.io/
35. DEVQUBE:AI-powered CAD drawing search(DWG→DXF 两阶段实测),2026-04-09。https://devqube.com/cad-drawing-search-ai-powered-cad-drawing/
36. PDF 表格抽取基准(PyMuPDF 最优,未核实),2025-11-20。https://arxiv.org/html/2511.16134v1
37. leafautomation.ai:pdfplumber 反解析矢量 PDF 回灌 AutoCAD(未核实),2026-04-01。https://www.leafautomation.ai/blog/parse-solaredge-designer-pdf-python-pdfplumber
38. Autodesk Help:DWG Compare(未核实),2023-07-24。https://help.autodesk.com/view/ACD/2024/ENU/?guid=GUID-2D69E78D-5C82-464F-B864-CD29D5720EB9
39. Brighter Graphics:点云与施工激光扫描(Scan-vs-BIM),2025-12-08。https://blog.brightergraphics.com/point-clouds-construction-laser-scanning
40. CloudCompare wiki:Cloud-to-Cloud Distance。https://www.cloudcompare.org/doc/wiki/index.php/Cloud-to-Cloud_Distance
41. ATIS.cloud:BIM comparison(未核实)。https://www.atis.cloud/features/bim-comparison
42. arXiv:Generative AI for CAD Automation,2025-07-05。https://arxiv.org/html/2508.00843v1
43. Autodesk 论坛:ChatGPT 接入 AutoCAD 讨论,2026-06-13。https://forums.autodesk.com/t5/autocad-forum/integrating-chatgpt-gpt-based-ai-into-autocad-looking-for-advice/td-p/13728154
44. arXiv:Blueprint(橡树岭国家实验室,工程档案多模态检索),2026-02-12。https://arxiv.org/html/2602.13345v1
45. Unstructured 博客:From technical drawings to queryable engineering data,2026-01-23。https://unstructured.io/blog/from-technical-drawings-to-queryable-engineering-data-using-unstructured
46. CSDN 技术文:通用 OCR 在建筑竣工图上的准确率实测,2026-08-07。https://blog.csdn.net/2601_96700209/article/details/163556337
47. actionsky:AI 工程图纸质检产品页(行业共识,未核实)。https://www.actionsky.com/ai_engineering_drawing_qc
48. Helonic 综述:Construction rework costs(引 CII / FMI / Love 2002 / Navigant),2026-08-26。https://helonic.com/blog/construction-rework-costs
49. reworkcost.com:Cost of rework in construction(CII IR-153 / GIRI,未核实),2026-03-20。https://reworkcost.com/cost-of-rework-in-construction
50. AGC/McGraw-Hill 返工研究 PDF(359 项目,未核实),2014。https://agc.org(具体 PDF 见原素材笔记)
51. 交通运输部:关于推进公路数字化转型加快智慧公路建设发展的意见,2023-09-20。https://xxgk.mot.gov.cn/jigou/glj/202309/t20230920_3922478.html
52. 辽宁住建厅:智慧工地费用纳入定额(未核实),2025-07-29。https://zjt.ln.gov.cn/eportal/ui?pageId=2daa9bd76f044714b727ac4afc0c9173&msgDataId=adec26aa504a4de18410bf75edec142d
53. 未来智库转载:中建协认证中心调研(523 家企业),2025-06-04。https://www.vzkoo.com/read/202506043ec1dbcd5e4839c5f157320a.html
54. 东方财富财富号:建筑业信息化投入占比(未核实),2025-08-30。https://wealth.eastmoney.com(原素材笔记未给精确链接)
55. 汕头市政府以案释法(2013 浙民提字 133 号判例 + 施工图审查管理办法),2024-02-15。https://www.shantou.gov.cn/stszcwyh/zcal/content/post_2307895.html
56. 南方网:最高法关于 AI 民事责任观点(未核实),2026-03-09。https://news.southcn.com/node_47a8059d6c/7595047aae.shtml
57. 广东粤湾审图:施工单位按图施工责任(未核实),2026-07-31。http://www.gdsgtsc.com/page/74232/article_id/161763.html

数据口径说明

1. 返工成本多口径并存:CII 5–9% 与 FMI 313 亿美元为综述转引的已核实口径,CII IR-153(均值约 5%/P90 12.4%)与 GIRI(含间接 10–25%)来自 reworkcost.com,未经原始报告核实;AGC/McGraw-Hill 口径(直接返工 4.03–6.05%)未核实。
2. MechVQA 六模型分数为 arXiv 论文原文口径;AECV-Bench 构件计数具体分数(Gemini 3 Pro 0.51 等)为 Osprai 博客二手转述,未核实。
3. 厂商能力数字(万翼 95%/8.7 倍、Togal 98%、Kreo 99.3%、广联达 10 倍)均为厂商自述口径,无第三方验证。
4. DEVQUBE 的 4600 文件 98% 转换成功率为解决方案供应商口径。
5. OCR 准确率数据(58.7%/29%/13.0%/87.3%/78%)来自 CSDN 单篇技术文的实测,样本为 1.2 万张建筑竣工图,公路图纸未见同类实测。
6. 美元金额为原文口径,未作汇率换算。
7. 标注"未核实"的条目在正文中均已就地标明,引用前请回溯原始文献。

AI 辅助调研生成,数据以原始文献为准,仅供学习研究参考。