arXiv· Yiwei Fu·· 2 天前精选AI 评分58
两座燃气电厂部署本地 LLM 助手,把取证据交给固定软件
Deploying a Control-Logic LLM Assistant in Air-Gapped Power Plants: Lessons in Source Authority and Bounded Retrieval
AI 导读
作者报告在两座燃气电厂部署控制逻辑证据层的经验,该层支撑一套本地运行的操作员辅助系统。第一个原型用 VLM 从工程师日常交换的 PDF 打印件重建控制拓扑,在 6979 页文档上连接精度为 0.51,在 4xH200 GPU 上耗时 3.1 小时,随后发现编写系统本身有结构化导出。
变化判断
两座燃气电厂把控制逻辑问答交给本地模型,模型只负责听懂问题和解释结果,取证据交给固定软件,重复提问的 token 用量降到原来的二十分之一。
正文 · AI 翻译
摘要:在工业运营技术环境中部署大语言模型(LLM)助手,会面临云应用基本不会遇到的限制:现场政策禁止工程和运营数据离开厂区,本地算力有限,而错误的因果归因可能误导事件响应。我们报告了在两家燃气电厂部署控制逻辑证据层的经验,该证据层是更广泛的本地操作员辅助系统的基础。两个原型暴露出生成模型在哪些环节引入了本可避免的不确定性和成本。第一个原型用视觉语言模型(VLM)从工程师日常交换的 PDF 打印件中重建控制拓扑。在全部 6,979 页文档上,抽取的连接精确率为 0.51,在 4 块 H200 GPU 上耗时 3.1 小时;随后与控制工程师沟通才发现,编写系统本身就能导出原生结构化数据。第二个原型用 LLM 工具调用智能体,在八种预定义图操作上反复规划。在 40 道模板生成问题的受控基准测试中,用显式执行计划替代该智能体后,平均 token 用量降低 20 倍,延迟中位数降低 3 倍,且重复运行检索到的节点集合完全一致。最终部署的设计将权威导出数据导入带版本的知识图谱,在固定软件中执行有界图操作,并把本地 LLM 的职责限定在兜底意图分类和基于证据的解释上。在一个站点,该图谱包含七个控制器上的 22.1 万个节点。我们的经验表明,对于高后果 AI,一种实用的分工是:LLM 负责理解自然语言请求并解释结果,确定性软件则负责构建和检索以权威来源为依据的技术证据。弃答、实体消歧、图谱版本管理和只读集成提供了额外的保障。
| 评论: | IAAI-27(AAAI 2027)录用论文的扩展版。8 页,2 幅图,3 张表 |
| 主题: | 人工智能(cs.AI) |
| 引用为: | arXiv:2611.20398 [cs.AI] |
| (或 arXiv:2611.20398v1 [cs.AI] 查看本版本) | |
| https://doi.org/10.48550/arXiv.2611.20398 arXiv 通过 DataCite 签发的 DOI(待注册) |
提交历史
来自:Yiwei Fu [查看邮箱]
[v1]
2026 年 11 月 16 日星期一 01:54:11 UTC(32 KB)
来源:arXiv · arxiv.org