在本项研究中，我们对知识图谱实体对齐任务中两种当前最先进的（State-of-the-Art, SotA）方法进行了系统而深入的考察。为此，我们首先对基准测试流程进行了细致分析，识别出若干缺陷，这些缺陷导致原始研究中报告的结果往往难以进行有效比较。此外，我们怀疑在该领域中普遍存在一种现象：直接在测试集上进行超参数优化，这显著降低了所报告性能指标的可信度与信息价值。为此，我们选取了具有代表性的基准数据集样本，并详细描述了它们的特性。同时，我们还考察了实体表示的不同初始化方式，因为这一因素对模型性能具有决定性影响。为了确保评估的公平性，我们采用统一的训练/验证/测试集划分策略，使所有方法在所有数据集上均在相同条件下进行评估。在实验评估中，我们获得了若干有趣的发现：尽管大多数情况下SotA方法的表现优于基线方法，但当数据集包含噪声时，其性能显著下降——而这正是大多数真实应用场景的典型特征。此外，通过消融实验我们发现，相较于以往的假设，SotA方法中某些特定组件或特征对取得良好性能起到了更为关键的作用。相关代码已公开，可访问：https://github.com/mberr/ea-sota-comparison。