面向系统日志严重度分类的小语言模型与小推理语言模型基准评测

系统日志对监控和诊断现代计算基础设施至关重要，但其规模与复杂性要求可靠且高效的自动化解读。由于严重度级别是系统日志消息中预定义的元数据，让模型仅对其分类的独立实用价值有限，几乎无法揭示其解读系统日志的底层能力。我们主张，把严重度分类作为探测运行时日志理解的基准而非端任务，更具信息量。我们使用来自Linux生产服务器的真实journalctl数据，在零样本、少样本与检索增强生成（RAG）提示下评测九个小语言模型（SLM）与小推理语言模型（SRLM）。结果呈现强烈分层：Qwen3-4B在RAG下达到最高准确率95.64%；Gemma3-1B从少样本提示下的20.25%提升到RAG下的85.28%。值得注意的是，微小的Qwen3-0.6B在无检索时表现疲弱，却达到88.12%的准确率。相反，包括Qwen3-1.7B与DeepSeek-R1-Distill-Qwen-1.5B在内的若干SRLM在配合RAG时大幅退化。效率测量进一步区分了模型：多数Gemma与Llama变体每条日志推理用时不到1.2秒，而Phi-4-Mini-Reasoning每条超过228秒且准确率不足10%。这些发现表明，(1)架构设计、(2)训练目标与(3)在严格输出约束下整合检索上下文的能力共同决定性能。通过强调小型可部署模型，该基准契合数字孪生（DT）系统的实时需求，并表明严重度分类可作为评估模型能力与实时可部署性的透镜，对根因分析（RCA）与更广泛的DT集成具有意义。