核心结论
德国 TIB 莱布尼茨信息中心与汉诺威大学 L3S 研究中心团队以预印本 When Does Bigger Help? A Controlled Study of LLM Scale for Ontology Learning（arXiv:2608.31118v1，首次公告归属 2026-09-01 上海日历日，对应 31 Aug 2026 17:30 UTC）在 4 个生物医学与材料科学本体上证明：在固定检索与提示条件下扩大 Qwen 参数主要提升精确率而非召回率，主拐点为 9B→27B，且架构与版本效应常压倒名义参数量。该结论为作者在同一 OntoLearner 流水线下的受控实验报告，尚未经同行评审与独立验证。
方法与评估条件
研究采用 OntoLearner 的检索增强框架，解耦上下文获取与生成。方法分三步：语义向量索引以冻结的 Qwen3-Embedding-4B 将目标本体编码建库；相似度检索对每条查询以余弦相似度取 top-k=10 候选实体作为参考上下文；任务提示在零样本、相同解码下让目标模型从候选集中选择最合适的类（术语分类）、判定是否 is-a（分类体系发现）或判定给定关系是否成立（非分类关系抽取）。全部模型共用同一嵌入、检索配置、检索上下文、提示模板与解码，使差异仅反映参数规模、密集/MoE 架构与谱系影响。
数据范围与主要结果
评估覆盖 MatWerk、MDS（材料科学与工程）与 OBI、MFOEM（生物医学）4 本体，3 项范式任务（术语分类、分类体系发现、非分类关系抽取），指标为精确率/召回率/F1。模型为 Qwen3.5 系列 0.8B、2B、4B、9B、27B 密集与 35B-A3B（35B/3B 激活）、122B-A10B（122B/10B 激活）MoE，Qwen3.6 27B 与 35B-A3B，以及 GPT-5.5 与 GPT-5.6 Luna/Terra/Sol 共 13 款。主要结果：9B 以下模型在术语分类上召回近 90%–100%但精确率仅 9%–25%，分类发现与非分类抽取精确率仅 1%–4%；27B 将 MatWerk F1 提升 22 个百分点至 58.14%；密集 27B 优于更大 MoE 的术语分类，MoE 在分类体系发现上最强；Qwen3.6-27B 较同参 Qwen3.5-27B 下降逾 21 个百分点，GPT-5.5 普遍优于 GPT-5.6 变体，后者尤以 Luna 呈现过度保守；MDS 非分类关系全模型仅 1% 左右，高度抽象领域呈规模抗性。
局限与不确定性
作者与正文明确以下边界：为预印本（14 页，拟于 ISWC 2026 的 WOP 研讨会展示），未发表于期刊或会议；数据集与任务为受控子集，OBI 仅 20% 采样，检索与提示固定，未检验微调、少样本或不同嵌入的影响；模型未覆盖更广家族与训练数据配比，闭源 GPT 结果为 API 时点表现；部分对比基于小样本与零样本，数值对阈值与度量敏感；未报告计算与检索成本，局部提升与模拟节省不应外推为普遍、因果或已获学界认可的事实。
同行评审状态与潜在意义
该工作当前为预印本 arXiv:2608.31118v1，状态为已接收研讨会、待同行评审，需标注为未同行评审并等待独立复现。若经验证成立，其意义在于为本体学习中的模型选型提供经验性指引：规模并非充分标准，27B 附近为性价比拐点，术语分类偏好密集模型、分类层级发现可考虑 MoE，但非分类关系与高度抽象领域需超越单纯扩参的结构化方法与更适配的检索与对齐策略。OntoLearner 基准与受控流水线为可复现的选型与后续研究提供了基础。