Не решать инженерно-прикладные или математические задачи с помощью нейросети. Как минимум, если речь идёт о неспецифических генеративных решениях. Мне она, например, насчитала 17 кгс/м2 пиковой аэродинамической нагрузки на высоте 12 метров над рельефом в моём регионе. Когда в реальности там никак не меньше 30 даже тупо по районированию выходит.

Моя подруга загрузила в DeepSeek проект на дом, спецификацию на шлакоблоки и кирпичи из магазина, и попросила его рассчитать количество именно этих шлакоблоков и кирпичей для всех стен по проекту. Расчёт был идеальным, после строительства осталось по паре штук блоков и кирпичей. При этом что именно будет построено из кирпичей, а что из шлакоблоков DeepSeek сам понял из проекта.

ReznoVV
Я приблизительно понимаю, как должен выглядеть ответ, хочу хотя бы попробовать

KNS
Спасибо

KNS
Какой крутой этот DeepSeek!

Зависит от специфики задачи. Уравнения(мат.анализ, геометрия...) - MathGPT, Mathos AI, Decopy AI, DeepAI Math. Генеративный дизайн и симуляции - Autodesk Generative Design, Siemens NX, SolidWorks, Neural Concept. Анализируют инженерные проблемы и предлагают варианты решений - Beam, ALICE Technologies, Buildots. Я перечислил помимо LLM еще и CAD/CAE, так как все зависит от задач.

Я не уверен, насколько корректно сюда прикладывать пример промпта для решения таких задач в универсальных моделях, поэтому, просто, помните самое важное - структурность запроса для нейросети(LLM). ИИ, безусловно, поймет определенные недосказанные вещи, как отмечено KNS, но чем глубже вы вписываете задачи, тем выше качество результата. И относитесь к результату со скепсисом, перепроверяя ответы, иначе будет ситуация, которую отметил ReznoVV.

Krezzet
Спасибо! Буду пробовать