LLM-based Iterative Approach to Metamodeling in Automotive

作者: Nenad Petrovic, Fengjunjie Pan, Vahid Zolfaghari, Alois Knoll

发布时间: 2025-03-10

来源: arxiv

研究方向: 基于大型语言模型（LLM）的汽车领域元模型构建

主要内容

该研究提出了一种利用大型语言模型（LLM）自动构建汽车领域特定元模型的方法。该方法基于OpenAI的GPT-4.0o，通过迭代的方式，将汽车工程师提供的需求作为输入，生成Ecore元模型，并使用PlantUML进行可视化。

1. 提出了一种基于LLM的汽车领域元模型构建方法，提高了元模型构建的自动化程度。

2. 开发了原型系统，实现了基于Python的Web服务。

3. 利用RAG方法提高了需求提取的效率。

4. 通过迭代方式提高了元模型构建的准确性。

5. 实现了元模型的可视化，方便专家提供反馈。

6. 比较了GPT-4.0o和本地部署的LLM模型，证明了GPT-4.0o在元模型构建方面的优势。

1. 大型语言模型（LLM）：OpenAI的GPT-4.0o

2. 迭代方法：通过多次迭代，逐步完善元模型。

3. RAG方法：用于提取与特定方面相关的需求。

4. Ecore格式：用于元模型表示。

5. PlantUML：用于元模型可视化。

6. Web服务：使用Python和Flask实现。

实验结果表明，该方法能够有效地构建汽车领域的元模型，提高了元模型构建的自动化程度和准确性。与本地部署的LLM模型相比，GPT-4.0o在元模型构建方面具有优势。

未来工作将集中在以下几个方面：1）解决处理大型元模型的挑战；2）应对LLM的幻觉问题；3）清理生成的输出，以便在汽车工具中使用；4）探索本地部署的LLM模型，特别是经过微调的小型模型；5）自动化评估LLM生成的元模型。