中汽数据（天津）有限公司：汽车试验知识问答与报告自动校核

报告案例整理：以下建设过程与数字来自中国信息通信研究院《2025年度制造业数字化转型典型案例集》，不是本站自行测量的数据。

来源：中国信息通信研究院《2025年度制造业数字化转型典型案例集》企业篇，PDF 第 77-78 页（书内页码 70-71）。

案例摘要

中汽数据基于对汽车试验管理业务流程的深度理解与行业标准法规的资源积累，通过打造多模态语料预处理工具链和高质量汽车试验领域知识库，实现非结构化数据的高效治理与动态更新，进一步构建了专业领域的高质量语料集，结合L1/L2级行业大模型，开展面向RAG模型优化及策略研究和AIGC生成技术研究与模型优化研究，实现试验场景的智能问答、试验管理与试验报告自动化校核环节的智能化水平提升。通过构建数据中台与BI可视化分析平台，推动传统LIMS系统智能化升级，提升知识检索效率与决策精准度。

AI 应用提要

AI 相关度：AI核心案例

• 中汽数据基于对汽车试验管理业务流程的深度理解与行业标准法规的资源积累，通过打造多模态语料预处理工具链和高质量汽车试验领域知识库，实现非结构化数据的高效治理与动态更新，进一步构建了专业领域的高质量语料集，结合L1/L2级行业大模型，开展面向RAG模型优化及策略研究和AIGC生成技术研究与模型优化研究，实现试验场景的智能问答、试验管理与试验报告自动化校核环节的智能化水平提升。
• 中汽数据通过应用大模型、检索增强生成（RAG）等技术，实现企业级知识应用，面向验证领域实现智能问答。
• 二、主要做法 （一）开发大模型多模态语料预处理智能体工具链针对行业积累的Word、PDF、扫描件等非结构化知识源数据，开发数据获取、数据清洗、拆分、标注、 转换等数据批处理智能体工具集，实现这些数据向大模型能够识别的Markdown、Json格式的高效转化， 进行大模型数据语料预处理。
• （二）构建高质量大模型语料数据集依托研发试验环节积累的大量知识数据，经过清洗、标注等处理，构建高质量的大模型语料数据集，为模型训练提供坚实基础。
• （三）开展模型预训练和微调开发L1级行业大模型和L2级业务领域大模型，适配智能检索、试验数字化等场景。
• 基于大模型基座，结合试验语料数据，进行模型预训练和微调，开发适用汽车行业的L1级大模型，使其具备行业专属性能和准确度。

技术标签

大语言模型 · 多模态 · RAG · 生成式AI · 深度学习 · 数据中台

原文整理

一、背景情况

汽车企业尤其是主机厂数字化水平较高，市场需要更加智能的工业智能化技术及产品。中国长安等汽车企业在试验领域存在知识管理集中化与结构化困难、缺乏系统化知识体系、关键业务知识依靠传授、检索效率低下、精准度不高等问题，导致知识识别能力不足、难利用，难以高效推动企业快速发展。中汽数据通过应用大模型、检索增强生成（RAG）等技术，实现企业级知识应用，面向验证领域实现智能问答。

二、主要做法

（一）开发大模型多模态语料预处理智能体工具链

针对行业积累的Word、PDF、扫描件等非结构化知识源数据，开发数据获取、数据清洗、拆分、标注、转换等数据批处理智能体工具集，实现这些数据向大模型能够识别的Markdown、Json格式的高效转化，进行大模型数据语料预处理。

（二）构建高质量大模型语料数据集

依托研发试验环节积累的大量知识数据，经过清洗、标注等处理，构建高质量的大模型语料数据集，为模型训练提供坚实基础。明确质量控制标准，涵盖准确性、一致性和完整性等关键指标，并确定可接受的质量水平与错误率阈值。通过实时监控标注过程，定期抽取样本进行细致审核的方式，确保这些标准得到严格执行。建立有效的反馈机制，使标注人员可以及时报告遇到的问题并提出改进建议，调整标注流程和质量控制策略。

（三）开展模型预训练和微调

开发L1级行业大模型和L2级业务领域大模型，适配智能检索、试验数字化等场景。基于大模型基座，结合试验语料数据，进行模型预训练和微调，开发适用汽车行业的L1级大模型，使其具备行业专属性能和准确度。围绕汽车研发试验场景，基于开源大模型，开展模型优化、场景适配研究，开发应用。开展面向RAG模型优化及策略研究和AIGC生成技术研究与模型优化研究。优化生成模型的架构，提升生成内容的质量，实现知识库增强，参数调优，嵌入质量评估模块，提升生成内容的专业性和准确性。使用剪枝、量化、蒸馏等技术优化模型，训练和推理效率。

三、成效与亮点

（一）智能问答场景

通过对多模态、多格式数据的深度挖掘与整合，将碎片化的信息转化为结构化、可利用的知识，运用图像识别技术解析图片中的内容，通过智能分类、标签化等手段，将不同来源、不同格式的知识有序组织起来，方便用户快速定位所需信息。同时，借助智能检索技术，用户可以使用自然语言输入问题，系统能够精准理解其意图，并在海量知识库中快速检索出相关答案。智能问答基于深度学习算法，系统能够理解用户问题的语义，结合知识库中的知识，生成准确详细的答案，通过不断学习用户提问习惯和反馈，进一步优化回答策略，提升问答的实用性。

（二）智能试验管理

随着数据量的增加和业务复杂度的提升，传统LIMS系统面临数据孤岛、系统灵活性不足等问题。通过大模型的语言理解和生成能力，可实现试验报告的自动校核、提供修改建议，提高报告质量和生成效率。通过构建数据中台，将试验业务和试验数据进行整合，利用大模型对数据进行深度分析和挖掘，生成可视化报告，帮助管理者快速了解试验业务的整体情况。

四、经验启示

汽车等行业存在海量标准法规要求，直接影响企业研发设计、试验检测、产品质量等多环节规范与方法，汽车垂类大模型建设尤其要以此类数据为基础。案例在汽车行业的引入能够提升知识管理的效率，提高决策质量，增强客户服务，并帮助企业适应快速变化的市场和技术环境。大模型技术同样适用于企业试验场景之外的研发设计、质量管理、运营服务等多个环节，具备广泛的市场空间。中汽数据将持续积累专业数据集、语料工具集、大模型及场景应用，积极推动汽车产业高质量发展。

来源页面截图

资料定位

中国信息通信研究院《2025年度制造业数字化转型典型案例集》，PDF 第 77—78 页。报告版本为2025年，整理日期为2026年10月20日。