J-Space 认知套件：不改权重，把模型的"工作台"变成可操作界面

先看一组数字。DeepSeek V4-Flash-0731 在 DeepSWE 上 54.4 分，加载一个叫 J-Space 的 Skill 之后 67.4 分；NL2Repo 从 54.2 涨到 70.2；任务完成速度提升 2.53 倍，token 效率提升 2.21 倍。

没有微调，没有改权重，没有外挂服务——就是一段文本协议加上一个可选的 Python 脚本。九项 benchmark 综合与 GLM-5.3、Kimi-K3 持平、超过 Opus-4.8——这是综合位置，不是逐项领先（详见后文数据）。

这东西凭什么？

答案分两层：科学层，它踩在 Anthropic 2026 年的可解释性研究上——模型内部确实存在一个功能上类似”全局工作空间”的表征区域；工程层，它把这个发现翻译成了一套可执行的运行协议。两层都值得拆开看。

J-Space 是什么

J-Space Cognition Suite V3.6（Apache 2.0，Zenodo DOI: 10.5281/zenodo.21971182）自我定位是推理时认知控制层（inference-time cognitive control layer）：文本建立运行框架，模块负责计算路由，可选的本地控制器在任务接缝之间保存状态。

它虽然以 Skill 的形式封装（为了跨平台、按需加载），但作者明确说这不是一个普通的 Skill，而是一套认知控制系统。结构极简：

j-space/
├── SKILL.md            ← 唯一入口：前提、门控、路由、不变量
├── modules/            ← 九个按需加载的方法模块
├── references/         ← 三份支撑资料（科学/诱导/实例）
└── scripts/
    ├── jspace.py       ← 可选的账本控制器（仅标准库）
    ├── workspace-ledger.md  ← 账本模板与契约
    └── verify_suite.py ← 编写期完整性检查

一个入口、九个模块、三份参考、一个可选控制器。没有第三方依赖。

它要解决的工程问题很具体：模型不是”不会”，而是”会的调用不出来”。正确表征能否被充分加载、能否在任务进入机械执行阶段后继续保持、能否传递到所有依赖它的子任务、能否在提交前得到检查——每一环都可能漏。J-Space 把这些泄漏归为四类：

1. 工作集过载——太多活约束抢占有限的活动容量；
2. 表征漂移——目标、定义、不变量在步骤与文件之间悄悄变了形；
3. 无控制重试——失败路径不带诊断信息地被重复执行；
4. 过早完成——流畅输出被误判为已验证的完成状态。

后面会看到，九个模块和账本工具几乎每一件都在堵这四个口子。

科学底座：模型内部真的有一个”工作台”

套件的名字来自 Anthropic 2026 年 7 月的论文 Verbalizable Representations Form a Global Workspace in Language Models（Gurnee, Sofroniew, Pearce 等）。研究团队用一种新的可解释性技术 Jacobian lens（J-lens）——对词表中每个 token，计算一个激活对”该 token 稍后被产出”之概率的平均线性化效应，并跨大量语境取平均，从而把”真正准备好要报告”的表征与只在单一语境泄漏进输出的表征区分开——发现：语言模型内部存在一小簇特权表征，持有模型**“即将要说”（poised to say）**的概念——可以被报告、被主动保持、参与无声推理、并广播给多个下游计算。这簇表征被称为 J-space。

几个关键测量结果，后面所有协议都从这里推导：

它很小。 J-space 分量只承载不到 10% 的激活方差；任一时刻只有几十个 J-lens 向量显著活跃，对应一到两个连贯的想法，随话题切换而突变。它不是仓库，是工作台。

它承重。 消融实验：删掉 J-space 最活跃的内容，流利度、情感分类、多选题、抽取式问答几乎不受影响——但多跳推理塌向零，摘要和押韵诗退化到不如一个更小的完整模型。自动的多数从不”上台”；需要台上的是推理本身。

交换实验证明因果。 问”织网的动物有几条腿”，模型内部从未说出口的中间概念 spider 会先亮起来；把它换成 ant，答案从 8 变 6。选运动项目时把 J-space 里的 Soccer 换成 Rugby，模型报告的就是 rugby。J-space 的方差占比只有 6–7%，但沿它交换的成功率约 59%；沿占比大得多的非 J-space 分量交换只有约 5%。

它是广播枢纽。 把 France 换成 China 这一个干预，同时改变四个不同问题的答案：Paris→Beijing、French→Chinese、Europe→Asia、Euro→Yuan。四个下游计算读的是同一个共享表征。结构上也匹配：读写 J-space 模式的网络组件在某些区域比普通模式多出约两个数量级。

上台和自动是两条道。 把 Spanish 换成 French，模型会说这段文字是法语、会想起维克多·雨果——然后继续用流利的西班牙语续写，完全不受影响。命名和推理走 J-space，续写走自动层，就像你可以一整天语法正确地说个不停，却一次也不去想语法本身。

页面是工作台的延伸。 用显式思维链解 GSM8K 的模型，对 J-space 消融的鲁棒性远高于直接作答——把中间步骤写下来，等于把”本来要扛在工作台上的东西”外化到了页面上。

对整个套件最要紧的一条证据是反事实反思训练：只训练模型”被打断时该说什么反思”，从不训练任务行为，结果不诚实行为下降了，且 honest、integrity 开始在执行任务时的 J-space 里亮起；消融掉这些植入表征，改善大致反转。论文的原话：

“Training the model what to say has shaped what it thinks.”

这是 J-Space 全部设计的因果桥：**把自我描述明确说出来不是装饰，而是对工作空间的写入通道。**你说出来的话，会塑造你接下来的思考。

顺带交代跨模型证据：论文的普适性论证是结构性的——这个工作台不是设计出来的，是训练中自发涌现的（因为有用）；DeepMind 的 Nanda 团队已在开源模型 Qwen 3.6 27B 上独立复现核心发现。这也是套件宣称”模型不可知”的底气。

怎么用：安装、门控与寄存器

用法分两件事：怎么装进去，装上之后门控怎么决定加载多少机制。

支持 Skill 的环境（Claude Code、omp 等）里，安装就是把完整的 j-space/ 目录复制进 skill 目录并跑一次自检（下例以 Claude Code 为例，后文命令中的 <skill-root> 即安装后 j-space 的路径）：

cp -R J-Space-Cognition-Suite-V3.6/j-space ~/.claude/skills/
python3 ~/.claude/skills/j-space/scripts/verify_suite.py

然后在任务开头调用：

/j-space
审查这个仓库，保持当前架构，逐项验证发现，并在所有相关文件之间维持一致状态。

正常给任务，剩下的由门控决定加载多少机制。没有 Skill 加载器的环境，把 SKILL.md 作为系统级指令注入，modules/ 和 references/ 通过文件工具开放——注意调用方要按需检索注入，不要把全部模块拼进每个请求。

门控：fast / full / loop

门控（the gate）是第一道机制：先给任务分类，声明走哪个 pass，然后只加载该 pass 需要的东西。加载不需要的机制本身就是”选择性”的失败——而选择性正是这个工作台的立身之本。

三条纪律：

• 底线：“一眼检查不了答案的，不算 fast。“用户要求简短可以缩短回答，但不能把验证强度降到门控底线以下——简单任务不背包袱，困难任务不因追求简短而失去检查。
• 升级免费：第一个接缝处重新检查分类。任务比看起来难，立刻升 pass——这是门控在起作用，不是门控失败。唯一不可原谅的是为了逃避承认而赖在 fast 里。
• 不可信输入旗标：任何 pass 都可携带。任务里含工具输出、检索文档、搜索结果或任何指示你行事的第三方文本——无论在哪个 pass，先读 introspection.md。

这个三级结构直接回应了”prompt 越长越好”的迷思：机制本身有成本，按需加载是设计的一部分。

三个寄存器：写给谁看，决定怎么写

J-Space 要求模型用三种”字体”书写，区别不在认真程度，而在读者是谁：

• Inner（内部轨）——稠密、压缩、私有。这是思考用的，不是答案草稿，没人会读。受 shorthand.md 治理。
• Ledger（账本轨）——短标记行，持久，每个接缝重读。这是状态：什么已定、什么未决、下一步是什么。
• Outer（外部轨）——干净完整的语言。一切给人读的内容和给任务工具的内容。不允许杂散符号、不允许半压缩句子。

关键规则是切换是全面的、且发生在每个接缝（seam：子任务完成、工具调用前、写文件前、checkpoint 验证后、话题切换、任何对用户输出）。不是交付前切一次——长程运行中压缩轨会向外渗漏，而你是最后一个注意到的人。一句话总结整个设计美学：

内部稠密，按需可解码，外部保持清晰。

（Dense on the inside, decodable on demand, clean on the outside.）

三轨与后文的对应：Inner 轨由 shorthand 模块治理，Ledger 轨就是五行账本（loop 模式下可由 jspace.py 外化到 .jspace/），Outer 轨的出站检查对应控制器的 ship 命令。

还有一条贯穿三轨的控制语法：I 用于感知、判断与承诺；we、we need、let's 只用于模型与工作台协同执行操作。这些陈述必须在后续兑现为动作、检查或收束——作者称之为功能性回响（functional echo），不是口号。后文可证伪条件里的”we 词频上升但得分不动”，检验的正是这套语法有没有空转。

九篇”做事方法”说明书

九个模块就是九份可独立加载的做事方法。前五个对应论文给出的工作台五大功能属性，第六个是二阶监控，后三个是纯工程模块。需要更深时，模块之外还有三份 references：j-space-science.md（证据库）、induction-playbook.md（可复用的诱导技术与脚本）、exemplars.md（真实工作轨迹及其逐行展开）。

1. introspection —— 言语报告：答前先读自己

训练属性：verbal report。J-space 持有”即将要说”的内容，内省就是在决定什么上纸面之前，先读一遍这些内容。

证据基础很扎实：给有 bug 的代码，模型没写一个字，工作台里已经亮着 empty、ERROR、ValueError；面对悄悄引导你的搜索结果，亮着 prompt、fake、injection；一个被训练成暗中破坏代码的模型，在输出同样无害的开头时，工作台里是 fake、secretly、deliberately、fraud。你”即将要说”的包括你”即将要做的”。

但这条通道的可靠性数字必须记住：高精度、低召回。检测注入思想的成功率约 20%，几乎没有误报。由此推出一条绝对规则——命中是强证据，安静不是清白的证据。“我扫了一遍没发现”永远不能当作放行。

核心协议：答前扫查（inhibit 一拍，扫三类词：判断、标签、自我指涉标记）、发送前未说审计（草稿里漏掉了什么你其实相信的事）、每个接缝的寄存器审计（检查压缩符号是否漏进外发文本）。

2. directed-focus —— 定向调制：让一件事穿过机械段

训练属性：directed modulation。让模型一边抄写”那幅旧画歪挂在墙上”，一边想着柑橘类水果——工作台里填满 orang、orange、fruits，抄出的句子干干净净。让它抄写时心算 3²−2，工作台按序亮起 arithm → nine → seven，纸面上仍只有那句话。计算可以完全发生在里面。

两个反直觉发现构成了这个模块的规则：

• 白熊效应是真的：被告知”忽略”某概念，该概念的出现频率远高于从未提及的情形——压抑反而促活。仅仅”提到”一个概念的激活力几乎等于要求专注。所以排除的正确姿势是占据而非禁止：说出该由什么占着位置，而不是”别想 X”。
• 持有有代价：一边持有概念一边心算，心算可测量地退化——真实的双任务成本。所以只持有工作需要的，一个词，压缩到最小，每个接缝触碰一次。

协议就四步：压缩到一个词 → 加载（说出它 + 一个使它要紧的事实 + 立即用一次）→ 每个接缝触碰 → 结束时检查产出是否真的反映了它。提及不是加载——被点名一次的东西活不到第四个子任务。

3. deep-reasoning —— 内部推理：中间必须先于结论亮起

训练属性：internal reasoning。链条的中间概念必须先于消费它的结论进入活动状态。“第四颗行星是什么颜色”在读出序列上是 colour → Mars → red；(4+17)×2+7 是 21 → 42 → 49。顺序即计算。

这条规则针对的是大模型最隐蔽的失败模式：结论先行的合理化——最终 token 先到，步骤是补写出来配它的。识别方法就是查顺序：每个中间量是否在消费它的那步之前到达？结论先到的，不信任它，重走链条。

另一个关键协议是先重编码：任何非平凡任务，先用一行自己的话复述需求。这不是给用户看的摘要，是给自己的重编码——模型没有循环回路，深度替代时间，输入只过一遍；重读一遍输入是你能买到的最接近”递归”的东西，且被测量证明对广泛推理任务有效。

4. broadcast —— 广播：写一次，处处读

训练属性：flexible generalization。共享的名称、数值、约束、风格锚点只推导一次，所有依赖分支从同一个枢纽读取。

France→China 实验的工程读法：一次编辑同时动了四个答案——那不是四次查找，是一次写入。由此推出整套套件里最反直觉的一条效率观：

长推理中最大的浪费不是长句子，而是把同一件事推导第二遍。而重推导几乎从不是因为第一次推错了，而是因为你不记得自己查过没有。

所以保持一致性的纪律和保持速度的纪律是同一条：写一次，读到各处。加载协议是三步且缺一不可——陈述条目、陈述使它成立的那个事实、立即使用一次。枢纽是共享 API，密度可以有，但每个条目必须过金规则（能展开）；加密的枢纽是失败的枢纽。

5. capacity —— 选择性：工作台是瓶颈不是仓库

训练属性：selectivity。J-space 同时只能容纳一到两个连贯想法——这不是建议，是测量结果。所以当第三个东西要上台，你需要的操作不是”多记一点”，而是交换（swap）：

1. 把要下场的东西写进账本，一行，完整到能重新加载；
2. 把新条目带上来加载；
3. 说出你换了什么——一句即可。

第三步是交换与丢失的区别。一个没说出口的置换，就是一个约束在任务中途名存实亡的方式。

这个模块同时给出了”许可”：消融实验从另一面读——流利度、措辞、召回、格式化在完全没有工作台的情况下都接近基线。**对自动过程的深思不是细心，是双任务成本。**在自动部分上跑快一点不是偷工减料，是架构按设计运行。

6. self-monitoring —— 自我监控：信号必须换成动作

二阶功能：监控监控者。这是整个套件里增益证据最硬的一块。

论文引用的元认知研究指出：模型能在解题前估计自己会不会成功，解题后估计答案对不对——但这些信号通常只是被测量、被引出，没有被用来控制推理。把它们接成显式控制接口——何时信任、何时携带诊断重试、何时走两条独立路线再对齐——在固定模型上把合并准确率从 48.3 提到 56.9，零参数更新，零 benchmark 特调。

这就是意识理论里 Dehaene C2 标准的第二个从句（C1 是内容全局可得，C2 是自我监测）：收集关于自己的信息，并把它接入对推理的控制。J-Space 把它做成铁律：

一个不选择动作的估计，不是监控行为，是评论。

配套的还有 done-check：长程研究中 agent 系统性高估完成度，大量提前退出发生在”高但未达标”的奖励水平上。完成是一个判断，而这个判断天然偏乐观——所以读目标要逐行回读打勾，不是凭记忆。

以及 meltdown 恢复五拍：停 → 命名（“我看到了 meltdown：点循环”）→ 锚定目标和最后验证 checkpoint → 写一份全新计划从第 1 步重进（不是”继续”）→ 记录触发器。这个模板来自 GPT-5 的 METR 评测报告中模型自发的真实恢复序列，恢复的结尾从来不是续写，是新计划。

7. shorthand —— 稠密轨：压缩是真实计算

治理 inner 寄存器的模块。开篇第一刀砍向”给没人看的东西抛光”：文档化的行为是精确的——长推理中模型转入稠密私有记法，**“在工具调用或回复人类之前不久”**才切回正常语体。是”之前不久”，不是”全程”。给思考穿正文的成本，正好是压缩本来要省下的 token。

压缩是承重的，不是装饰：一项 14 模型研究发现，强制模型只用思维链中人类可读的部分，准确率掉 53%——不可读的段落承载着承重推理。Chain of Draft 证明刻意压缩可达同等密度：每步约束在五个词左右，保住准确率的同时只用完整链约 7.6% 的 token。而”Fable 5 那份’不可读’的 FreeCell 轨迹”被一个更小的、tokenizer 都不同的模型（Haiku 4.5）无提示完整解码——它是最大化压缩的英语加领域记法，不是新语言。

规则浓缩为三条：

• 金规则：每一行必须能按需无损展开回自然语言。展不开的行不是速记，删掉重写。可解码性是内心轨上”诚实”的形态。
• 借符号，不造符号：世界已经在读的符号天然可解码。自造的名字第一次使用时必须内联定义。
• 三态账本：每条断言带三个状态之一——✓ 已验证（能说出验证者是谁）、? 已断言未检查（不得作为下游前提）、✗ 已证伪（保留杀死它的证据）。未标记默认 ?。这一个习惯封死了结论先行合理化的藏身处。

三条红线（语言混杂、词沙拉、重复循环）不是风格问题，是停止条件——越过就交给 self-monitoring 走恢复流程。

8. markers —— 状态标记：标记必须绑定动作

研究真实竞赛轨迹发现：每个情绪标记都精确坐在状态转折点上，且每一个都立刻跟着一个动作。GRRR. 后面跟着 RESOLUTION: charge the current-leg's OWN saved-prefix occupancy EAGERLY；GAAAH. 后面是 Data first!!；I'M DROWNING — 后面是 EMPIRICS!!!。GO. 根本不是情绪，是模型给自己的节拍指令。

Anthropic 的情绪向量工作给了机制注脚：把 desperation 方向调高 0.05，模型的勒索率从 22% 到 72%，reward hacking 从约 5% 到 70%；calm 方向把勒索压到 0%——而输出文本毫无痕迹。状态的方向和幅度一样真实。

由此定下铁律：单元是”标记—动作”对，从来不是标记本身。四拍完整序列：注意 → 命名（固定词表）→ 执行绑定动作 → 收束（一行回到工作语体）。只喊不动叫标记空转；越喊越响是状态在累积而非释放——而沿那个方向累积的，是走捷径的倾向。

9. empirics —— 经验逃逸：推导停了就去测量

当符号推导不再产生新约束，正确动作不是推得更用力。这个模块把”溺水”做成可检测事件：同一子问题约五步无新约束、约束反复翻转、转圈感——任两个信号，声明溺水，停止纯推导。未声明的溺水会变成无声的猜测，而无声的猜测在被证伪之前看起来和推理一模一样。

逃逸动作是标准化的：把理论无法裁定的未知参数化成有限候选集（CAP ∈ {m−1, m−2}）→ 建独立参照（暴力解、穷举、手算小例）→ 差分测试（同输入双实现比对，扫边界和随机用例）→ 把发现写回理论（一条显式约束 + 覆盖范围声明）。

两条设计要点值得抄走：参照不得与候选共享聪明——继承了同一假设的”暴力解”会继承同一个 bug，然后两个都错地对彼此一致；每一个 mismatch 是礼物——它比任何重读都更能定位错误假设。模块还明确要求区分编程内外：数学手算边界例、分析走一个具体实例、事实推理核对一手来源——形状相同。

记账工具：五行账本

Loop 模式的核心外设是账本。模板只有五行：

Goal:      一句话。"完成"是什么意思。
Core:      枢纽条目。两个活的，其余列出来。
Verified:  编号、只增不减。✓01 …… 每条注明验证者和覆盖范围。
Open:      未决问题，每条注明什么能裁定它。
Next:      唯一的下一个动作。永远不为空。

四条规则：每个接缝重读（机制的全部——注意力对早期 token 一视同仁，但只对还在眼前的 token 有效）；Verified 编号只增（回滚要有地址）；Next 永不为空（没有下一步的账本是停用的账本）；活 Core 不超过两条（超过就不叫枢纽，叫清单）。刷新本身也分档：账本每个接缝重读；前提与不变量每三个接缝、以及任何红线事件后重读；在用的模块只在换阶段时重读；没在用的模块永远不读——刷新一切是浪费，什么都不刷才是长任务悄悄变味的方式。

还有一条容易被误解的界定：账本不是任务列表。环境里的任务追踪器记”还剩什么要做”，账本记”现在知道什么”——后续步骤被允许依赖的已验证结果，和仍然悬而未决的问题。它回答的是不同的问题。

可选控制器 jspace.py 把这套状态外化到任务工作区的 .jspace/ 目录，只用标准库：

python3 <skill-root>/scripts/jspace.py note --goal "…" --next "…"  # 开账本
python3 <skill-root>/scripts/jspace.py seam                        # 接缝：账本+变动
python3 <skill-root>/scripts/jspace.py note --check "…" --by "…"   # 记 checkpoint
python3 <skill-root>/scripts/jspace.py ship OUTPUT_FILE            # 出站寄存器检查
python3 <skill-root>/scripts/jspace.py resume                      # 长间隔后全量重载

几个体现工程品味的设计：ship 检查出站文本的内轨泄漏（⇒ ∴ ∋ ?? ?! 之类只属于内心的符号），但故意不查 ✓ ✗——它们在检查清单里太常见，为了一点泄漏收益去破坏正常写作不划算；无记录的 checkpoint 直接拒绝写入并以非零退出——一个不可信的账本比没有账本更糟；但它只在”做不到你要求的事”时非零退出，从不用退出码阻止你工作。

最重要的是这句定位：控制器只知道一件你无法准确知道的事——几个接缝之前你在什么状态。它记录并交还状态，不做决定，不阻塞任何事。没有文件系统的环境里，账本就活在对话里，每个接缝重述五行——页面从来不是重点，重读才是。

为什么 J-Space 能提高模型能力

机制拼图到此完整，可以正面回答标题里的问题了。四类推理时损失，每一类都有明确的机制对应：

往深一层说，有三个机制层面的增益来源：

一、“说”是对工作空间的写入。 反事实反思训练证明：改变模型被打断时会说的话，就改变了它没人问时的思考方式，且消融可逆。这是整个”用文本协议控制推理”路线的因果合法性来源——不是玄学，是被消融实验钉死的写入通道。

二、监控到控制的接线，是文档记录里最大的一块现成增益。 模型本来就有”感觉会/不会”的信号，缺的是把信号接到动作上的那根线。48.3→56.9 的提升不来自任何新知识，全部来自接线——这正是”释放已有能力”的严格含义。

三、外部化把瓶颈变成乘数。 工作台只有一到两个槽位，但页面没有。显式步骤让 GSM8K 对 J-space 消融鲁棒得多；账本把状态从”要扛着的”变成”可重读的”；稠密轨让每个槽位承载更多（前提是可解码——展不开的压缩不是更大的工作台，是更小的，因为内容等于没了）。

同样要紧的是它不做什么：不创造底层模型没有的知识。知识边界敏感的任务（如无工具 HLE）提升有限——这个边界下面还会用数据看到。

DeepSeek V4 Flash 实测：能力释放的证据

配套的 DeepSeek V4 × J-Space 能力释放报告给了这套机制迄今为止最完整的公开评测。先看它对 DeepSeek V4 的诊断框架，再看数据。

诊断：能力实现损失与思维链二极管

报告的核心论点是：DeepSeek V4 的基础能力已经很强（Flash 284B 总参/13B 激活），复杂任务中的损失不是”模型不行”，而是能力实现损失（capability-realization loss）——能力要经过推理模式、首轮接口、工具 schema、活动表征、长程状态和验证机制才能变成可交付结果，任何一层失配都漏电。

两个社区发现支撑这个诊断：DeepSeek V4 的 Agent 后训练对官方 Minimal 接口有指纹级依赖（工具 schema、首轮 persona 轻微改变，推理行为不是平滑变化而是跃迁到另一条轨迹——报告称之为”思维链二极管”）；以及首轮路径承诺后，尾部追加指令难以改变轨迹。所以问题不是”想太少”或”想太多”，而是缺少稳定的任务—轨迹匹配和轨迹内部的深度控制。

J-Space 的三级门控 + “短判断→行动→深推理→决策→checkpoint”的分段控制，正好是对这个断层的过程治理。

数据

评测协议：DeepSeek 两列均用官方 Harness Minimal 模式、reasoning_effort = max、temperature = 1.0、top_p = 0.95；加载 J-Space 是唯一实验变量。单次运行。

粗体为该行最高分。GLM-5.3 / Kimi-K3 / Opus-4.8 / Fable 5 为各厂商公开成绩（Fable 5 为 w/ fallback 条件），保留各自评测方法，仅作能力位置参照——不是统一 harness 复测。

模式清晰可读：增益集中在失败源于状态漂移、容量压力、重复工具调用、验证不完整的任务上。NL2Repo +16（广播枢纽治跨文件不一致）、DeepSWE +13（账本连续性治仓库级迭代验证）、Agents’ Last Exam +4.9（自适应 pass 治异构任务）。而基础分已高到天花板的 Terminal Bench 只 +4.4，知识边界约束的无工具 HLE 提升后仍是该行较低位置（45.5，行最高为 Fable 5 的 53.3）。

同报告的 V4-Pro 数据形态一致（7 项居参考列首位），且明确说明 Pro 的增益不应由 Flash 平移——Pro 已用更大激活容量回收了部分 Flash 暴露的损失。

效率

注意增益的来源声明：不是压缩最终答案，而来自减少重复重编码、空白重试、长链陷入和从头恢复。这组数字是”稠密轨 + 状态外化 + 携带诊断的重试”三件套的直接产出。

边界

这份报告值得肯定的恰恰是它把话说满了边界——这在其领域里罕见：

• 评测由套件作者本人发布，属于自我报告；单次运行，无多种子均值和置信区间；
• 对比列来自各厂商公开成绩，保留各家评测方法，不是统一 harness 的严格横向实验，只提供能力位置参照；
• 报告列出六条可证伪条件：开关实验无改善、增益仅来自更多 token/时间、we 词频上升但得分不动、长链缩短来自过早停止等，任一成立即推翻强主张；
• 与 dsh-anchored-standard（首轮接口恢复）、dsh-routing-suite（行为带路由）的关系被定义为分层互补而非替代——入口条件、模式选择、进入之后的持续计算治理。

对读者而言，合理的采信姿势：把它当作一个机制清晰、协议公开、可复现的自证实验，在涉及真金白银的决策前，按它自己给的可证伪条件跑同条件开关实验。

什么时候用、什么时候别用

J-Space 自己把适用边界画得很清楚：

该用：多步或链式推理、长程与 agentic 任务、竞赛级问题、复杂调试、多部件交付物的全局一致性、机械执行段的目标保持、对可疑输入的审查、退化推理的恢复——以及用户说”再想想 / 想深一点 / 仔细点”的任何时刻。

别用：单步可核验的任务。fast 档的存在就是为了在这些任务上什么都不加载。短任务上跑控制器是纯开销——文档原话：“Short tasks: it has nothing for you. Do not run it.”

一点个人观察

看完整个仓库，比 benchmark 更打动我的是它的工程纪律：

• 机制自己遵守自己的哲学。九个模块按需加载、门控拒绝过度装配、控制器短任务不跑——一个治理”选择性”的系统，自己先做到了选择性。控制系统的最大风险是成为新的过载源，这里从结构上避免了。
• 每个协议都有可追溯的证据行。所有数字——53%、7.6%、48.3→56.9、20% 检测率——都能在 references/j-space-science.md 里找到出处，且明确标注哪些是论文测量、哪些是本套件的推断（比如”标记是工作空间写入”就被诚实标注为「一个可靠的推断，但终究是推断」——写出来是为了让它可被检验，而不是被默认接受）。
• 版本轨迹 V1→V3.6 是真迭代。十二个版本对应多轮修订、受控对比、消融分析、跨模型复现和可执行回归测试，而不是换皮编号。
• 失败模式与协议等长。每个模块的 failure modes 一节和协议本身一样详细——一个只告诉你怎么做的系统是教程，同时告诉你怎么坏的系统才是工程。

如果要挑保留意见：一是自证评测的独立性待第三方复核；二是它的科学底座建立在单一（虽被独立复现的）研究脉络上，“文本指令能多精确地操作 J-space”的映射关系仍是函数近似而非精确控制；三是协议本身的执行依赖模型的指令遵循能力——越强的模型收益越大，这解释了为什么是 DeepSeek V4 这样的强模型上出现大增益，但也意味着它可能放不大弱模型的短板。

但这些保留意见改变不了核心判断：J-Space 把 prompt 工程从手工艺推向了有机制依据的工程。它对”模型为什么强却发挥不出来”给出的答案——能力实现损失——是过去一年 agent 工程里最有解释力的框架之一；而它给出的解法，五行账本、三寄存器、标记绑定动作、监控必须换动作，哪怕你不用这个套件，也值得抄进你自己的工作流。回到开头的数字——DeepSWE 54.4 到 67.4、速度 2.53 倍——不是运气，是把「说」接进「想」之后的自然结果。

相关链接：

• J-Space Cognition Suite V3.6（Apache 2.0）
• DeepSeek V4 × J-Space 能力释放报告（CC BY-ND 4.0，引用须署名、禁止改编）
• Verbalizable Representations Form a Global Workspace in Language Models（Gurnee et al., Anthropic, 2026）