本体知识是大语言模型（LLM）在知识密集型任务中表现的基石。现有评估大多只关注行为层面的正确性，未揭示模型内部如何存储和使用本体信息。为填补这一空白，我们提出 MIOE（Mechanistic‑Abstraction Ontology Engineering）基准，使用交叉干预（interchange interventions）检验两类本体工程任务：实体类型判定和包含关系预测。MIOE 要求在保持类特定辅助信息不变的前提下，通过学习到的内部干预目标改变本体层面的答案。我们在 Qwen3‑8B 与 Qwen3‑4B 上测试了 SAE、DBM、DAS 三类方法，并实现了多任务与多层变体。结果显示，分布式子空间（distributed subspace）方法在所有提示设置下表现最强，但其引发的内部变化仍与辅助类信息部分交叉。引入多任务目标以及连续层窗口干预能够提升两者的分离度；进一步的类级别分析揭示不同本体类之间的显著差异。总体而言，本体预测在 LLM 中是可机制化访问的，但当前技术尚未实现对本体知识的完全解耦因果机制。
点评