В данной статье представлен фреймворк с участием человека для автоматического выявления и исправления семантических ошибок в моделях SysML v2, которые не могут быть обнаружены компиляторами. Подход объединяет дообученные малые языковые модели (Small Language Models) с графом предметных знаний, чтобы обосновать предложения по исправлению в рамках корректных инженерных ограничений.

  • Фреймворк использует Qwen2.5-Coder-1.5B и DeepSeek-Coder-6.7B для вывода унифицированных diff-патчей для локализации ошибок и кандидатов на исправление.
  • Граф предметных знаний кодирует правила физической совместимости, направляя генерацию синтетических обучающих данных и процесс вывода.
  • Оценка на 1184 тестовых примерах показывает, что исправление семантических ошибок улучшилось с менее чем 3% до более чем 91%.
  • Вывод в виде патчей сокращает длину токенов более чем на 60% по сравнению с предыдущими методами.

Фреймворк предоставляет практический путь к проверке моделей с помощью ИИ, дополняющий существующие инструменты MBSE и сохраняющий человеческое суждение в процессе проектирования.