Research · Models
LLM规模对本体学习性能的影响受任务、领域和架构制约，非单调且不均匀
一项研究评估了稠密Qwen3.5系列模型在本体学习任务上的表现，发现参数增加主要提升精确率而非召回率，最大收益出现在9B到27B之间；27B稠密模型在术语分类上优于更大的稀疏模型，但非分类关系提取在所有规模下仍具挑战性。
阅读 arXiv 原文为什么重要
该研究揭示了模型规模与本体学习性能之间的非单调关系，为选择合适规模的模型提供了实证依据，有助于优化知识工程和语义建模的成本效益。
关键事实
事实 1
在稠密Qwen3.5系列中，参数数量增加主要提升精确率而非召回率，最大收益出现在9B到27B参数之间。
来源与依据
increasing parameter count primarily improves precision rather than recall, with the largest gains occurring between 9B and 27B parameters
事实 2
稠密27B模型在术语分类上优于更大的稀疏模型。
来源与依据
Dense 27B models outperform substantially larger sparse models on term typing
事实 3
非分类关系提取在所有模型规模下仍具挑战性，尤其对材料数据科学本体而言。
来源与依据
Non-taxonomic relationship extraction remains difficult across model scales, particularly for the Materials Data Science ontology