本研究针对开源大语言模型（LLM）在多标签MITRE ATT&CK技术分类任务上的表现进行了系统性评估。当前已有的自动化方法大多基于简化后的单技术句子进行评测，无法体现真实网络威胁情报（CTI）报告中复杂的语言和多步骤攻击模式，导致性能被高估。为填补这一空白，作者构建了一个包含2,076条人工标注句子的基准数据集（其中1,281条为正样本，795条为负样本），这些句子来自83份复杂非结构化CTI报告，并映射到114种独特的ATT&CK技术。标注过程采用六阶段流程，达到了交换机间一致性κ=0.68。在此基础上，评估了7个开源LLM（参数量从8B到236B），测试了不同提示策略和温度配置的影响。结果显示，性能最佳的模型微平均F1分数仅为0.22，确立了复杂非结构化CTI报告上多标签ATT&CK分类的实证基线。统计分析表明，参数量与F1分数呈显著正相关，但提示策略和温度设置未带来统计显著的性能提升。结论是当前开源LLM尚不足以支撑生产级ATT&CK分类任务，本研究为未来CTI研究提供了可复现的数据集、基准测试和发现。