超越参数堆砌：Qwen与GPT受控实验揭示大模型规模对本体学习的非线性影响

在大语言模型技术飞速迭代的背景下，一个核心问题始终悬而未决：模型规模的扩大究竟能在多大程度上转化为知识抽取与本体构建的性能提升？尽管业界普遍存在"越大越好"的直觉，但针对本体学习这一特定垂直领域的系统性量化评估依然匮乏。本研究旨在填补这一空白，通过构建一个高度受控的实验环境，深入剖析模型参数规模、架构类型（密集与混合专家）以及模型谱系对本体学习性能的差异化影响。研究的核心贡献在于，它没有简单地比较不同模型的绝对性能，而是严格控制了嵌入模型、检索配置、提示模板、解码设置及评估数据集等所有外部变量，从而孤立出模型自身规模与架构对术语类型识别、分类法发现及非分类关系提取等关键任务的影响。

这一严谨的方法论为理解LLM在结构化知识获取中的能力边界提供了宝贵的实证依据，挑战了单纯依赖参数数量进行模型选择的传统观念。在技术方法层面，研究采用了OntoLearner这一先进的检索增强生成（RAG）管线作为统一的评价框架。该管线确保了所有被测试模型在处理输入时面临相同的信息检索上下文，从而消除了因检索质量差异导致的结果偏差。实验对象涵盖了从Qwen3.5到Qwen3.6系列的13种模型，包括不同参数规模的密集模型（Dense）和混合专家模型（Mixture-of-Experts, MoE），以及闭源的GPT发布变体。

这种广泛的模型覆盖使得研究能够对比不同架构范式在相同任务下的表现。训练与推理策略上，所有模型均使用相同的解码设置和提示模板，确保了评估的一致性。特别值得注意的是，研究不仅关注模型在通用知识上的表现，更聚焦于其在生物医学和材料科学与工程等专业领域本体中的具体应用能力，通过标准化的指标体系，精确量化了模型在不同复杂度任务上的细微差异，为后续的技术选型提供了细粒度的参考。实验结果揭示了模型规模与性能之间复杂且非单调的关系。

在Qwen3.5密集模型谱系中，参数规模的增加主要带来的是精确率（Precision）的提升，而非召回率（Recall）的显著增长，且最大的性能跃升发生在9B至27B参数区间。这一发现表明，在达到一定规模阈值后，继续扩大参数对捕捉更多潜在关系的帮助有限，反而可能增加噪声。更令人意外的是，27B参数的密集模型在术语类型识别任务上，表现优于规模大得多的稀疏模型，这直接质疑了"规模即正义"的简单逻辑。在分类法发现任务中，更大规模的混合专家模型则展现出最强的开放权重模型性能，显示出MoE架构在处理复杂层级结构时的独特优势。

然而，非分类关系提取任务在所有模型规模下均表现艰难，特别是在材料数据科学本体上，性能瓶颈尤为明显。此外，对比匹配参数的Qwen变体与闭源GPT版本，研究发现模型架构和内部谱系对性能的影响甚至超过了名义上的参数计数，进一步强调了架构设计的重要性。这些发现对开源社区、工业落地及后续研究具有深远的意义。首先，对于工业界而言，本研究提供了实证指导，表明在本体学习等高精度要求的知识工程中，盲目追求超大参数模型可能并非最优解，27B左右的密集模型或特定架构的MoE模型可能具有更高的性价比和性能收益。其次，对于开源社区，研究强调了可复现性和受控评估的重要性，呼吁建立更标准化的基准测试协议，以公平比较不同架构和规模的模型。最后，对于后续研究，本研究指出的非分类关系提取难点以及架构优于规模的现象，为未来的模型优化方向提供了明确线索，即应更多关注架构创新、检索增强策略的优化以及特定领域知识的深度融合，而非仅仅依赖算力堆砌。这一研究为LLM辅助的本体工程奠定了坚实的实证基础，推动了该领域向更精细化、更理性的方向发展。