文章核心总结与翻译一、主要内容本文针对代码大语言模型（LLMs）对软件设计核心概念的掌握能力展开实证研究，聚焦内聚性（模块内部元素关联性）和耦合性（模块间依赖程度）两大基础设计原则，通过系统化实验评估DeepSeek-R1系列模型（14B、32B、70B）的表现。实验设计：基于布鲁姆分类法设计三层任务梯度（认知负荷递增）：验证任务（确认预设断言）、引导生成任务（基于部分上下文补全）、开放式生成任务（仅提供原始代码自主发现设计问题）。引入可控噪声（干扰元素注入）模拟真实开发环境，量化模型在不同噪声水平下的鲁棒性。通过程序化代码转换生成具有明确内聚/耦合缺陷的测试样本，避免数据污染。核心发现：理想条件下，模型对两种概念均具备扎实的基础认知（70B模型内聚性F1=0.825，耦合性平均F1=0.899）。实用性知识存在显著不对称性：耦合性推理极易受噪声影响，开放式场景下F1分数降幅超50%；内聚性在引导任务中对内部噪声表现出强鲁棒性，但失去引导后性能崩溃。模型性能随引导减少、认知负荷增加而显著下降，且模型规模与性能正相关（70B模型整体表现最优）。推理轨迹分析揭示：耦合性任务中模型存在"认知捷径"（噪声下缩短分析范围），内聚性任务中