神经符号AI助力LEED认证：文档智能审查与多模态陷阱

LEED v4.1 BD+C绿色建筑认证流程文档密集，评审员需手动查阅数百页项目材料并应用特定阈值逻辑。最新研究探索小型本地部署语言模型能否有效筛查LEED文档，以及如何与确定性符号组件协同工作。

研究团队设计神经符号AI管道：首先将项目PDF与LEED评分条款对齐，通过关键词签名检索证据，使用本地部署的40亿参数语言模型验证合规性，最后应用LEED专用数值检查器处理定量阈值。在四栋大学建筑（484份PDF，153个条款级决策）的实验中，40亿参数模型（gemma3:4b）成为最强纯文本核心验证器，准确率达67.3%，表现优于80亿参数模型（llama3.1:8b）。

确定性数值检查器修正了关键定量条款的算术错误，将EA-p2条款准确率从50%提升至100%。但完整神经符号配置整体准确率为61.6%，略低于最佳纯文本基线，主要受提取失败和定性条款保守处理影响。

系统性消融实验揭示：添加低分辨率图纸图像（150-300 dpi）会持续降低准确率；提示词效果取决于建筑项目的真实通过率——文档丰富的项目适用规则提示，文档简略的项目则适合思维链提示。该研究为LEED认证原始文档的合规验证提供了可复现的基准参考。