arXiv cs.AI· Tianyang Liu, Jiayue Wang, Zhanhao Cheng, Changyang Wang, Shaoshu Zhu, Zhenghao Wu, Hadi Tabatabaee Malazi·· 11 小时前AI 评分31
LocalIntent：用本地 LLM 为智能楼宇自动化生成后端兼容的结构化输出
LocalIntent: Outcome-Specific Structured Generation for Backend-Compatible Smart Building Automation with Local LLMs
AI 导读
LocalIntent 提出按结果分支的提示词设计，将请求路由到普通或持久规则分支，再经确定性校验，用于本地 LLM 的智能楼宇自动化。
正文 · AI 翻译
摘要：本地部署的大语言模型（LLM）可减少自然语言智能建筑自动化对远程云服务的依赖，但面向后端的处理需要正确的结果选择、与本地能力对齐以及有效的结构化输出。我们研究完整的结果特定提示设计能否比通用的先路由后生成提示更好地改善紧凑模型的输出。所提出的 LocalIntent 方法将请求路由到普通分支或持久规则分支：前者产生命令、澄清或拒绝，后者生成触发-动作规则，随后进行确定性验证。我们在 101 条非持久记录和 54 条持久规则记录上评估了四个本地执行的 Gemma 和 Qwen 模型（参数规模 2B-9B），比较了单体提示、通用两阶段提示、LocalIntent 和验证引导修复。在所评估的数据集上，LocalIntent 在意图理解、设备识别和动作/参数正确性方面均高于通用两阶段提示，而澄清/模式正确性仍取决于模型。最大增益出现在规则上，LocalIntent 将意图理解从 26.4% 提升到 80.6%，设备识别从 59.3% 提升到 84.7%，规则模式正确性从 49.1% 提升到 98.6%，动作/参数正确性从 5.6% 提升到 44.9%。对于非持久请求，汇总增益较小：意图理解从 39.6% 提升到 53.2%，动作/参数正确性从 30.7% 提升到 42.8%。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.23511 [cs.AI] |
| （或 arXiv:2610.23511v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23511 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Shaoshu Zhu [查看电子邮件]
[v1]
2026年10月16日星期五 14:19:22 UTC（436 KB）
来源：arXiv cs.AI · arxiv.org