СРАВНИТЕЛЬНЫЙ АНАЛИЗ МУЛЬТИГЕНЕРАТИВНЫХ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ПРИ РЕШЕНИИ ПРИКЛАДНЫХ ЗАДАЧ ДИЗАЙНА

В статье рассматриваются возможности применения мультигенеративных нейросетевых моделей для решения прикладных задач в дизайне. Целью исследования являлась сравнительная оценка результатов генерации дизайн-проектов, выполненных нейросетями ChatGPT, Gemini и Copilot, на основе заданных текстовых промтов и исходных визуальных данных. В рамках эксперимента были сформированы два типа задач: создание новой малой архитектурной формы и доработка существующего проекта дизайна компьютерной аудитории. Оценка результатов осуществлялась экспертной группой дизайнеров по системе критериев, включающей художественные, функциональные, эргономические и экономические параметры. Полученные данные показали, что мультигенеративные нейросети способны генерировать конкурентоспособные концептуальные решения, различающиеся по степени технологической сложности, дизайнерской выразительности и реализуемости. Наиболее сбалансированные результаты продемонстрировали решения, ориентированные на сочетание визуальной выразительности и практической применимости. Сделан вывод о перспективности использования мультигенеративных подходов как инструмента поддержки проектной деятельности в дизайне.

1. Choo S. Generative artificial intelligence and building design: early photorealistic render visualization of facades using local identity-trained models // Journal of Computational Design and Engineering. - 2024. - URL: https://doi.org/10.1093/icde/qwae017 (data obrashcheniya: 15.02.2026).

2. Yuan P.F. Toward a generative Al-augmented design era // Architectural Intelligence. - 2023. - URL: https://doi.org/10.1007/s44223-023-00038-9 (data obrashcheniya: 10.02.2026).

3. Odiah A., Gosling S. Laying the foundations for using generative AI images in architectural research // Architectural Intelligence. - 2024. - URL: https://doi.org/10.1007/s44223-024-00076-x (data obrashcheniya: 01.02.2026).

4. Wang X., He Z., Peng X. Artificial-Intelligence-Generated Content with Diffusion Models: A Literature Review // Mathematics. - 2024. - URL: https://doi.org/10.3390/math12070977 (data obrashcheniya: 14.02.2026) .

5. Cao Y., Aziz A.A., Arshard W.N.R. Stable diffusion in architectural design: Closing doors or opening new horizons? // International Journal of Architectural Computing. - 2024. - URL: https://doi.org/10.1177/14780771241270257 (data obrashcheniya: 11.02.2026).

6. Li C., Zhang T., Du X., et al. Generative AI Models for Different Steps in Architectural Design: A Literature Review - 2024. - URL: https://doi.org/10.48550/arXiv.2404.01335 (data obrashcheniya: 11.02.2026) .

7. He Z., Wang Y.-H., Zhang J. Generative AIBIM: An automatic and intelligent structural design pipeline integrating BIM and generative AI - 2023. - URL: https://doi.org/10.1016/i.inffus.2024.102654 (data obrashcheniya: 19.02.2026).

8. Kapsalis T. UrbanGenAI: Reconstructing Urban Landscapes using Panoptic Segmentation and Diffusion Models // arXiv. - 2024. - URL: https://arxiv.org/abs/2401.14379 (data obrashcheniya: 12.02.2026).

9. Li P., Li B. Generating Daylight-driven Architectural Design via Diffusion Models // arXiv. - 2024. - URL: https://doi.org/10.48550/arXiv.2404.13353 (data obrashcheniya: 15.02.2026).

10. Blinova M., Molodcha M. Use of Artificial Intelligence in Educational Design for Architecture Students // Municipal Economy of Cities. - 2024. - URL: https://doi.org/10.33042/2522-1809-2024-3-184-53-58 (data obrashcheniya: 10.02.2026).

11. Generative AI models for different steps in architectural design: A literature review // Frontiers of Architectural Research. - 2024. - URL: https://doi.org/10.1016/i.foar.2024.10.001 (data obrashcheniya: 10.02.2026)