buildeng

BuildEng V8 145K是一个专门为微调保守型工程助手模型而构建的土木与结构工程推理数据集。该数据集包含145,117个经过验证的聊天格式样本，核心聚焦于结构判断、检查优先推理、安全不确定性处理以及实用的建筑工程逻辑。数据集旨在训练模型进行审慎推理，而非做出最终结构批准。具体目标是教会助手模型：仔细推理、区分现场症状与根本原因、避免不安全的确定性、在需要时请求缺失信息、并在情况要求时建议合格的工程审查。数据集覆盖的工程主题广泛，包括钢筋混凝土梁、钢梁、板、柱、基础、挡土墙、砌体墙、屋顶系统、临时支撑、施工顺序、沉降、开裂、腐蚀、挠度、荷载路径变化、修复决策、矛盾的检查报告以及破坏过程。此外，还涵盖支持性建筑工程主题，如HVAC气流、管道、水力系统、电气负荷检查以及安全相关的机电管道推理。数据集训练模型遵循“观察→初步推理→缺失信息→风险检查→保守下一步行动”的行为模式。关键期望行为包括：检查优先决策、症状与原因分离、不确定性感知回答、拒绝不安全结论、矛盾处理、修复决策逻辑、荷载路径意识、土木公式推理、计算与安全限值结合、强度与使用性分离。每个样本均采用聊天消息格式，包含系统角色设定、用户问题和助手回答。该数据集主要用于土木/结构工程助手模型的监督微调，特别适用于处理不完整现场信息或潜在不安全结构条件时需要表现谨慎的模型。它已被用于BuildEng V8模型的开发，并计划用于进一步的3B和32B参数的QLoRA训练。重要安全提示：该数据集是教育和助手训练材料。基于其训练的模型不能替代持牌结构工程师、现场检查、建筑规范核查或专业工程判断。最终结构决策必须由合格专业人员根据项目具体图纸、计算、检查、标准和当地法规做出。BuildEng V8 145K is a civil and structural engineering reasoning dataset specifically built for fine-tuning conservative engineering assistant models. It contains 145,117 validated chat-formatted samples, focusing on structural judgment, inspection-first reasoning, safety uncertainty handling, and practical construction engineering logic. The dataset aims to train models for careful reasoning rather than making final structural approvals. Specific goals include teaching assistant models to: reason carefully, distinguish between site symptoms and root causes, avoid unsafe certainties, request missing information when needed, and suggest qualified engineering review when warranted. It covers a wide range of engineering topics, including reinforced concrete beams, steel beams, slabs, columns, foundations, retaining walls, masonry walls, roof systems, temporary supports, construction sequences, settlement, cracking, corrosion, deflection, load path changes, repair decisions, conflicting inspection reports, and failure processes. Additionally, it includes supportive construction engineering topics such as HVAC airflow, plumbing, hydraulic systems, electrical load checks, and safety-related MEP reasoning. The dataset trains models to follow a behavior pattern of observation → preliminary reasoning → missing information → risk check → conservative next action. Key expected behaviors include: inspection-first decision-making, symptom-cause separation, uncertainty-aware responses, rejection of unsafe conclusions, conflict handling, repair decision logic, load path awareness, civil formula reasoning, integration of calculations with safety limits, and separation of strength from serviceability. Each sample is in chat message format with system role settings, user questions, and assistant responses. It is primarily used for supervised fine-tuning of civil/structural engineering assistant models, especially for models that need to be cautious when handling incomplete on-site information or potentially unsafe structural conditions. It has been used in the development of the BuildEng V8 model and is planned for further QLoRA training with 3B and 32B parameters. Important safety note: This dataset is educational and assistant training material. Models trained on it cannot replace licensed structural engineers, on-site inspections, building code verification, or professional engineering judgment. Final structural decisions must be made by qualified professionals based on project-specific drawings, calculations, inspections, standards, and local regulations.

原始信息汇总

数据集名称

BuildEng V8 145K

许可证

Apache-2.0

语言

英语

标签

土木工程、结构工程、建筑工程、施工、合成数据、推理

数据集规模

145,117 条经过验证的聊天格式样本

数据集聚焦领域

• 钢筋混凝土梁、钢梁、板、柱、基础、挡土墙、砌体墙、屋面系统
• 临时支撑、施工顺序、沉降、开裂、腐蚀、挠度、荷载路径变化
• 维修决策、矛盾检测报告处理、失效过程分析
• 配套建筑工程主题：暖通空调气流、风管、水暖系统、电气负载检查、与安全相关的机电管道工程推理

推理行为模式

数据集训练模型遵循以下步骤： 观察 → 初步推理 → 补充缺失信息 → 风险检查 → 保守的下一步行动

关键行为包括：

• 以检查为先的决策
• 症状与原因分离
• 不确定性感知回答
• 拒绝不安全结论
• 矛盾处理
• 维修决策逻辑
• 荷载路径感知
• 土木公式推理
• 综合计算与安全限值
• 强度与使用性分离

数据格式

每条样本使用聊天消息格式： json { "messages": [ { "role": "system", "content": "You are BuildEng, a conservative civil and structural engineering assistant." }, { "role": "user", "content": "..." }, { "role": "assistant", "content": "..." } ] }

预期用途

• 用于土木/结构工程助手的监督微调
• 特别适用于处理不完整现场信息或潜在不安全结构条件时需谨慎行为的模型
• 用于 BuildEng V8 模型开发
• 适用于进一步的 3B 和 32B QLoRA 训练

安全说明

• 数据集为教育和助手训练材料
• 基于此数据集训练的模型不能替代持证结构工程师、现场检查、建筑规范检查或专业工程判断
• 最终结构决策必须由合格专业人员根据项目具体图纸、计算、检查、标准和当地法规做出

搜集汇总

数据集介绍

构建方式

BuildEng V8 145K 数据集专为土木与结构工程领域的大语言模型微调而构建，涵盖145,117条经过验证的聊天格式样本。每条样本遵循系统提示、用户提问与助手回答的三段式结构，系统提示将模型角色设定为谨慎的土木与结构工程助理。样本数据聚焦于结构判断、基于检查的推理、安全不确定性处理及实用建筑工程逻辑，覆盖钢筋混凝土梁、钢梁、板、柱、基础、挡土墙、砌体墙、屋顶系统、临时支撑、施工顺序、沉降、开裂、腐蚀、挠度、荷载路径变化、修复决策及矛盾检查报告等广泛场景，并拓展至暖通空调、电气负荷等配套主题。

特点

该数据集的核心特点在于训练模型遵循“观察→初步推理→缺失信息→风险评估→谨慎下一步行动”的推理模式，强调检查优先的决策方式、症状与原因分离、不确定性感知应答、拒绝不安全的结论、矛盾处理及修复决策逻辑。数据集注重荷载路径意识、土木公式推理、综合计算与安全限值结合、强度与适用性分离等关键能力培养，旨在教导助手谨慎推理、区分现场症状与根本原因、避免不安全的确定性、主动请求缺失信息，并在必要时推荐合格工程审查，而非直接给出最终结构审批。

使用方法

数据集适用于对土木与结构工程助理模型进行监督式微调，尤其适合需要处理不完整现场信息或潜在不安全结构条件的谨慎型模型。已在BuildEng V8模型开发中使用，并推荐用于进一步的3B与32B参数规模的QLoRA训练。使用时应明确其教育与助手训练材料的性质，训练出的模型不可替代持证结构工程师、现场检查、建筑规范核查或专业工程判断，所有最终结构决策必须由合格专业人员依据项目图纸、计算书、检查结果、标准及当地法规作出。

背景与挑战

背景概述

BuildEng V8 145K是一个专为民用与结构工程推理设计的合成数据集，由研究团队于近期创建，旨在通过监督微调训练保守型工程辅助模型。该数据集涵盖钢筋混凝土梁、钢结构、基础、挡土墙等核心结构构件，以及裂缝、腐蚀、沉降等典型病害场景，并延伸至暖通空调、电气负荷等建筑设备推理。其核心研究问题在于如何让语言模型在工程领域实现“观察-初步推理-缺失信息-风险检查-保守行动”的稳健推理链条，尤其强调检查优先、症状与原因分离、不确定性感知和拒绝不安全结论。该数据集对工程AI领域具有重要影响力，为构建可安全辅助现场决策的对话系统奠定了基础，推动了结构工程推理在语言模型中的专业化发展。

当前挑战

该数据集所解决的领域问题挑战在于：结构工程决策依赖现场检查、规范计算与专业判断，而语言模型常因信息不完整或过度自信导致不安全建议。为此，数据集需模拟真实工程中信息匮乏、矛盾报告和渐进失效等复杂场景，强制模型谨慎推理并主动请求补充信息。在构建过程中，挑战包括：1）生成符合工程逻辑的高质量合成对话，确保覆盖从梁柱受力到施工次序的多样化失效模式；2）设计安全边界机制，防止模型在训练后出现过度保守或错误拒绝，平衡保守性与实用性；3）集成数学计算与安全限值校验，使模型能在推理时执行强度与使用性分离的严格逻辑。

常用场景

经典使用场景

BuildEng V8 145K数据集专为土木与结构工程领域设计，其经典使用场景在于对大型语言模型进行监督式微调，以培养具备保守推理能力的工程助手。该数据集包含超过14.5万条经过验证的对话样本，聚焦于结构判断、检查优先决策、安全不确定性处理以及实用建筑工程逻辑。模型通过训练能够模拟从现场观察到初步推理、识别缺失信息、进行风险核验，最终给出保守行动建议的完整推理链，尤其适用于处理复杂结构构件的评估与故障排查任务。

解决学术问题

该数据集系统性地解决了工程语言模型在学术研究中面临的几个核心问题：一是如何教会模型区分现场症状与根本原因，避免因信息不足而做出不安全结论；二是如何在不完整信息条件下保持不确定性感知，主动请求缺失数据而非盲目推测；三是如何整合结构计算公式与安全限值，在强度与使用性之间做出合理权衡。这些机制显著提升了模型在结构损伤评估、矛盾检查报告处理及渐进性破坏分析等学术问题上的严谨性与可靠性，为工程智能体领域提供了重要的基准训练资源。

衍生相关工作

该数据集衍生了多项具有影响力的相关工作，最直接的是用于开发BuildEng V8系列工程助手模型，并支持后续的3B与32B参数规模的QLoRA微调实验。其核心的'观察→推理→缺失信息→风险核验→保守行动'推理范式，为结构工程领域的大语言模型设计提供了可复用的方法论框架。此外，该数据集还催生了针对混凝土梁、钢结构构件及基础工程等细分任务的专用推理能力研究，推动了工程约束下的安全对齐、不确定性量化及多模态数据融合等前沿课题的发展。