面向工艺设计的智能化需求，领域大模型的构建方法成为关键研究方向.尽管大规模语言模型（Large Language Models,LLMs）的发展极大地推动了自然语言处理技术的进步，但工艺设计领域的数据通常存在样本稀缺、格式复杂以及缺乏结构化标签等问题，使得通用LLMs训练方法难以直接适用.此外，传统注意力机制在处理长文本和复杂任务时仍然面临计算复杂度高、资源消耗大、全局语义不稳定等挑战，进一步限制了大模型在工艺设计任务中的适应性.为解决这一问题，本研究提出了一种面向工艺设计的领域大模型构建方法，并在此基础上训练了具备100亿参数规模的工艺设计大模型——鲁班-10B.该方法引入混合稀疏注意力机制，通过保留起始词元的注意力权重，并基于查询内容动态选取相关性最高的若干历史词元，避免对完整序列计算密集型注意力矩阵，在有效降低计算复杂度的同时，提升模型对长文本中关键信息的建模能力.实验结果表明，鲁班-10B能够有效提升领域大模型在工艺设计任务中的适应能力与生成表现，为智能化工艺设计提供了新的技术路径与支撑.
