大型语言模型（LLM）在文本分类任务中已被广泛使用，它们不仅给出类别预测，还会生成解释，标记出对预测最关键的词元。然而，这些标记的元素是否在针对性干预下与模型的预测保持行为一致仍不明确，我们将其称为功能自一致性。\ \ 本文提出基于自一致性原则的实验框架：如果模型认定某些词元是决定性的，那么对这些词元进行隔离、删除或语义反转应导致预测出现系统且可解释的变化。我们通过充分性、完整性和反事实性三项指标对该框架进行量化，并在 IMDB 与 Steam 评论数据上分别测试闭源模型 GPT-4o-mini 与开源模型 Gemma3、Granite8B、DeepSeek。\ \ 实验结果显示，GPT-4o-mini 在所有指标上均呈现预期的递进趋势；Gemma3 与 Granite8B 在充分性测试中保持一致性，但在更严格的干预下出现一致性下降；DeepSeek 系列则表现出结构性偏差，或未能保持充分性，或在完整性与反事实性上反应过度。\ \ 这些发现表明，不同 LLM 家族和规模的解释可靠性存在差异：小模型更易出现自相矛盾，大模型则可能对干预过于敏感。通过结合充分性、完整性和反事实性，我们提供了一套系统方法来评估 LLM 自解释的功能一致性。\ \ 点评：本研究首次从功能层面系统评估 LLM 自解释的可靠性，为后续模型解释性改进提供了明确的评估基准。