更新说明(2026-08-20): 本文初版发布于 2026 年 8 月 18 日,基于 J-Space 项目方宣传整理。8 月 20 日,该项目被 GitHub 用户独立复测证伪,作者承认宣传数据"确实夸张"。以下为最新进展,原文保留在后文并标注状态。
一、J-Space 被打假:独立复测结果与宣传相反
J-Space Cognition Suite 是一个声称"无需修改模型权重,仅靠 DeepSeek V4 Flash 加外部 Harness 就能追平 GLM-5.3"的开源项目。其宣传称,换成 DeepSeek V4 Pro 甚至能超越 Claude Fable 5,同时速度提升 2.53 倍、Token 效率提升 2.21 倍。如果属实,这等于用几十分之一的成本复刻顶级大模型的效果。 泡沫破裂的速度比想象中快。GitHub 用户 GoForceX 严格按照项目说明,使用 Terminal Bench 完成独立复测,结果与宣传完全相反:加入 J-Space 后,基准测试分数不升反降,Token 消耗量明显增加,推理速度也比原生模型更慢。
当社区要求公开完整原始实验数据时,作者承认数据"确实夸张",却拿不出可复现的运行日志,反而开始删除质疑的 issue。
二、思维链作者 Jason Wei:小模型加工具干不掉顶级大模型
几乎同一时间,OpenAI 思维链(CoT)核心发明者 Jason Wei 在 X 上发布长文,戳破"小模型 + 万能工具"的幻想。他用学羽毛球的经历做比喻:自己在球场上就像一个 1B 参数的认知核心,教练教的每个击球动作都会,但要在高速回合里把架拍、转体、击球点、随挥全部串联起来,几乎耗尽全部精力,与那些练了上万次、把动作化为肌肉记忆的专业选手完全不是一个级别。
他强调,模型不依赖外部工具、自然且快速地完成任务,这件事至关重要。一旦承认高维认知应该以内生的方式处理,1B 甚至 10B 的核心显然都不够。
三大硬伤:速度、深度、可靠性
最直观的差距是速度。大模型把知识内化在数万亿参数的连接中,端到端直接输出;小模型加工具的路径要经历"判断是否调用工具、构造查询、等待返回、筛选信息、整合答案"的完整链路,每多一步延迟就增加一截,多步推理任务耗时指数级上升。J-Space 宣称的"速度提升 2.53 倍"本身违背基本逻辑——Harness 在模型外面加了一层控制逻辑,每一轮推理都要多做判断,不可能比原生模型更快。社区复测验证了这一点:Token 消耗更多,推理速度更慢。
更本质的差距是思维的深度与归纳能力。Jason Wei 举例:问"大家对香巴拉音乐节的普遍看法是什么",小模型可能只翻热帖下的前三条评论,大模型却能像业内专家一样,看完几万条评价后提炼出客观综合的印象。这是大模型预训练的真正价值——在海量数据中把知识消化成见识。Harness 可以优化搜索路径、规范调用格式,但没法凭空赋予小模型更高维的抽象归纳能力。
第三重差距在复杂长任务的可靠性。长周期任务中每一步的微小误差会滚雪球般放大,大模型有全局语义理解和自我纠错能力,能感知路线偏移并修正;小模型元认知能力弱,加上层层转接外部工具,出错概率更高。J-Space 复测中"性能小幅下降"就是典型表现——复杂的外部 Harness 不仅没帮上忙,反而把小模型绕得更混乱。
工具只是放大器,不是发动机。
三、路线之争:行业为何痴迷"小模型 + 工具"
J-Space 能在 48 小时内引发全行业狂欢,在于它切中了两大行业焦虑:大模型太贵、算力烧不起,以及端侧设备太弱、大模型难落地。业内一直在寻找"小模型 + 工具也能干掉顶级大模型"的可能。
AI 大牛吴恩达是这一路线的支持者之一。他曾多次在公开演讲中展示:用参数量更小的 GPT-3.5,搭配包含反思、工具调用、任务规划的迭代式 Agent 工作流,在很多基准测试上能超越当时最强的 GPT-4。微软 Phi-4、Mistral 等小模型也靠高质量数据训练,在代码、数学等垂直任务上以 3B 到 14B 的体量击败过上一代千亿参数模型。这让很多开发者产生了"Scaling Law 边际效应递减,工具配得好小模型就能逆袭"的错觉。
今年 7 月,卡内基梅隆大学发布论文《Better Harnesses, Smaller Models》,提出经过高度优化的 Harness 框架,小模型在特定任务上可以恢复大模型 90% 以上的性能,成本却可以忽略不计,把这场讨论推向高潮。在"Scaling 撞墙论"此起彼伏、端侧 NPU 刚刚普及的当下,"小模型 + 工具能否干掉顶级大模型"成为 AI 行业最核心的路线之争之一。
四、DSPy 框架之父的数学呼应
DSPy 框架作者、MIT 助理教授 Omar Khattab 从学术与系统层面回应了 Jason Wei。他指出,大模型使用注意力机制,把所有上下文完整保留在显存中,每次以"全知视角"重新审视所有信息;小模型加工具本质上是压缩与递归,把复杂的外部世界塞进工具的输入输出里,在一轮轮强行"信息脱水"和传递中,大量高维信息丢失。
"虽然我们在工程上可以用各种外挂模拟出智能的表象,但在数学层面上,靠一轮轮压缩的递归,永远无法完美模拟注意力机制对全局的掌控力。"
Omar 团队还在论文《Machine Studying》中重新定义什么是 AI 的"专业能力":判断一个系统专不专业,不该看闭卷考试拿多少分,要看它用多少推理计算量能换来多高的准确率。新手型 Agent 靠疯狂搜索、反复试错消耗大量 Token 才能答对;专家型 Agent 搜索次数少、命中率高,在低计算预算下就有好表现。
五、《苦涩的教训》的回响:为什么总有人走捷径
这场争论绕不开强化学习教父 Rich Sutton 的经典之作《苦涩的教训》:人类在 AI 领域的所有精巧工程设计,最终都会被绝对的算力和数据规模碾得粉碎。小模型加工具本质上就是精巧工程,试图用工程链路弥补模型容量的不足;大模型则是纯粹规模定律的胜利。
这样的故事在 AI 发展史上已上演过无数次:七十年代专家系统把人类知识写成规则,最终失败;九十年代到 2010 年代自然语言处理依赖特征工程与统计模型,直到深度学习端到端重构整个领域;2010 年代末知识图谱试图用结构化实体关系让 AI"理解"世界,结果预训练大模型证明从海量数据中自发学到的隐式知识更强大。每一次人们都试图用巧思走捷径,每一次最终胜出的都是更简单、更吃算力的方法。
为什么人们还是一次次投入"工程派"的怀抱?因为太贵了。万亿参数模型的训练成本是天文数字,不是每家公司都能承担,而且每个日常场景也并不都需要顶级智能。开发者 Matthew Auburn 曾公开表示"对于小模型,Harness 就是一切":商业场景里 90% 的任务只需要 60 分的智能加 100 分的执行,性价比才是王道。
也有开发者提出更折中的方向:行业最终会走向中间状态,核心认知能力被拆分为多个十亿级专家模型协同工作,就像混合专家(MoE)架构的延伸——专家模块更灵活、可替换、可审计,而不是用一个粗放的 Harness 试图包打天下。
Omar Khattab 本人就是 Harness 优化的重要推动者,他的 DSPy 框架、Meta-Harness 研究本质都在提升工具链的自动化水平。他不认为 Harness 能替代模型本身的能力,却也从未否认 Harness 的工程价值。
原文(2026-08-18 发布,基于项目方宣传整理,已被独立复测证伪)
以下为本文初版内容,发布于 2026 年 8 月 18 日,基于 J-Space 项目方宣传资料整理。8 月 20 日的独立复测结果与其宣传相反,请读者结合上文判断。
J-Space 是什么:把「模型有能力」变成「模型稳定完成」
J-Space 是一层推理时认知控制层:输入是模型已具备的能力和用户的任务,输出是更稳定、可验证、可恢复的任务结果。它不碰权重,只通过文本建立运行框架、让模块按需路由计算,并用一个可选本地控制器在任务接缝之间保存状态。
它要解决的问题可以这样理解:模型脑子里有知识,不等于能稳定交付结果。就像一个人业务能力很强,但开会时被大量无关信息干扰、中途忘记目标、失败了不总结直接重来、觉得自己做完了其实没核对——能力强和能力被稳定调用是两回事。J-Space 处理的就是后者。
套件提供单一入口 j-space ,宿主可以把它挂成 /j-space 斜杠命令。提交任务后,入口门控自动选择 fast 、 full 或 loop 三种模式:一眼可核验的单步任务不加载额外机制,有限多步任务只加载一两个模块,长程多工具任务才启用账本、接缝刷新与恢复。
核心技术:先诊断「损失在哪里」,再控制「推理怎么跑」
J-Space 的第一个贡献是诊断框架,而不是直接给提示词。报告提出「能力实现损失」:DeepSeek V4 的 Agent 能力并不总能脱离具体接口平滑调用,首轮 persona、工具目录或自动注入的轻微变化可能让推理跃迁到另一条轨迹,这种非连续、路径依赖的现象被概括为「思维链二极管」。报告明确这不是 DeepSeek 官方的架构命名,而是对黑盒行为的工程概括。
第二个贡献是三级门控加持久账本。 fast / full / loop 把控制成本按任务复杂度分配;长任务里形成「局部短判断 → 行动或取证 → 必要深层推理 → 明确决策 → checkpoint → 继续执行」的交替结构。Loop 账本只保留五类状态(Goal / Core / Verified / Open / Next),相当于给长任务配了一张不丢页的便签,工具调用、文件切换、上下文压缩之后还能回到同一个任务状态。效率增益来自减少重复重编码、空白重试和从头恢复,而不是压缩答案。
适用场景与效果边界:7 项领先,但结论要读细
报告的单次实测中,V4-Pro-0813 加 J-Space 在长程、多工具类基准上提升明显:NL2Repo(从自然语言生成完整仓库)54.2→70.2(Flash)/ 61.5→73.4(Pro),DeepSWE(长程软件工程)62.7→72.0,HLE 有工具 60.0→67.7。对比 GLM-5.3、Kimi-K3、Opus-4.8 与 Fable 5 的公开成绩,Pro 加 J-Space 在 7 项中位于参考列首位;HLE 无工具仍低于 Fable 5,AutomationBench 仍低于 GLM-5.3。 所有结果为单次运行,不表示多次均值,也无置信区间;竞品数字来自各厂商发布时的评测方法,跨厂商列只提供位置参考,不能当统一 harness 的横向实验。报告自己列了可证伪条件:若开关实验没有改善同条件完成率、得分上升只来自更多 Token 或更长时间、we 词频上升但行动没有增加,则「能力释放」的强主张不成立。知识敏感任务(如 HLE 无工具)仍受模型参数化知识边界约束,J-Space 不补知识;首轮若落入错误行为带,它也可能降低表现。
快速上手:复制目录、跑验证脚本、用 /j-space 提交任务
J-Space 运行时无第三方依赖。先克隆仓库,再把 j-space/ 目录完整复制到宿主环境的 Skill 目录,保持相对路径完整:
安装后,在支持 Skill 的环境中调用j-space/ ,正常提交任务即可,门控会自动选择运行模式。验证脚本成功输出即安装完成。两个常见坑:不要只复制部分文件(相对模块路径会断);不要在每次请求里拼接全部模块(选择性加载是设计的一部分,不是简化)。纯 API 或普通聊天模型无法自行解析本地路径,需要调用方检索并注入被选中的模块文件。
在 DeepSeek 生态中的定位:三层方案,不是互相替代
报告把 J-Space 与两套公开方案放在同一张表里对比:dsh-anchored-standard 负责首轮接口恢复(官方 Minimal 条件的变量分离最清楚),dsh-routing-suite 负责任务感知的行为带选择,J-Space 负责进入之后的持续轨迹维持、验证覆盖与失败恢复。合理的关系不是淘汰,而是分层:短任务或只需恢复 Minimal 接口时前两者更轻,长程多工具任务里 J-Space 的系统覆盖更完整。
对 DeepSeek V4 用户来说,这套套件的价值在于不挑模型、不挑宿主:以 Skill 封装跨平台使用,Python 控制器只用标准库。对推理控制方向的研究者,报告的贡献是给「接口失配导致能力损失」提供了可检验的工程框架,并把证伪条件写在了明面上。目前的数据基础是单次实测,严格结论还需要多随机种子、置信区间和同 harness 开关实验。