arXiv cs.AI· G\"okberk \c{C}elikmasat, Atay \"Ozg\"ovde, Fatma Ba\c{s}ak Aydemir·· 10 小时前AI 评分31
InstruBPM：用指令微调开源权重模型生成 BPMN 流程模型
Instruction-Tuning Open-Weight Language Models for BPMN Model Generation
AI 导读
InstruBPM 通过指令微调开源权重语言模型，实现从自然语言描述直接生成 BPMN 流程模型，并采用参数高效微调与量化支持本地部署。在 BLEU、ROUGE-L、METEOR 及相对图编辑距离等指标上，该紧凑微调模型全面优于未微调开源基线和强闭源模型，且资源需求显著更低。外部工具检查与专家评审显示生成图基本符合 BPMN 最佳实践，训练模型与脚本已公开。
正文 · AI 翻译
摘要：领域模型是软件工程的核心，因为它们能够促成共识、指导实现，并支持自动化分析和模型驱动开发。然而，尽管有这些好处，实践者常常跳过建模，因为建模耗时且需要稀缺的专业知识。我们通过研究经过指令微调适配的开放权重大型语言模型能否以经济高效且保护隐私的方式，直接从自然语言描述生成高质量的 BPMN 流程模型，来应对这一障碍。我们推出 InstruBPM，这是一种可复现的方法，它准备配对的文本-图表数据，并使用参数高效微调和量化对开源大型语言模型进行指令微调，以便本地部署。我们从互补的视角评估微调后的模型：(i) 使用 BLEU、ROUGE-L 和 METEOR 的文本/代码相似度，(ii) 使用相对图编辑距离的结构保真度，(iii) 使用外部工具检查的指南符合性，以及 (iv) 小规模专家评审。使用多领域 BPMN 数据集的精选子集，我们在一致的提示机制下将微调后的模型与未微调的开放权重基线和强大的专有模型进行比较。我们紧凑的微调模型在序列和结构指标上优于所有基线，同时所需资源大幅减少；指南分析和专家反馈进一步表明，生成的图表在很大程度上遵循 BPMN 最佳实践，并且是有助于减少建模工作的有用起点。总体而言，与未微调的基线相比，指令微调提高了结构准确性和鲁棒性，并减少了对繁重提示脚手架的依赖。我们公开分享训练好的模型和脚本，以支持可复现性和进一步研究。
| 评论： | 预印本。正在准备提交期刊 |
| 主题： | 软件工程（cs.SE）；人工智能（cs.AI） |
| 引用为： | arXiv:2512.12063 [cs.SE] |
| （或 arXiv:2512.12063v2 [cs.SE] 为此版本） | |
| https://doi.org/10.48550/arXiv.2512.12063 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Gökberk Çelikmasat [查看电子邮件]
[v1]
2025年12月12日星期五 22:07:51 UTC（898 KB）
[v2]
2026年10月30日星期五 17:52:09 UTC（1,153 KB）
来源：arXiv cs.AI · arxiv.org