撞名Anthropic的“外挂”刷屏：让“DeepSeek V4‑Pro碾压寓言5”但无人能复现，Token头像反而翻倍

最近，一个名为 J-Space Cognition Suite 的社区项目近日在 X 上快速传播。项目方声称，在完全不修改 DeepSeek V4-Pro-0813 模型权重的情况下，仅通过一套推理时 Harness，就能显著提升模型在多项 Agent Benchmark 上的表现，甚至超过 Fable 5。 不过，这一看起来颇为惊人的结论目前仍缺少最关键的一环：第三方复现。据 ExplainX 梳理，截至8月18日，J-Space Cognition Suite 公布的所有性能提升数据均来自项目方自己的测试，尚未有独立团队在相同条件下复现相关结果。因此，“DeepSeek V4 Pro 已经借助 J-Space 击败 Fable 5”目前仍然只能被视为项目方及社区传播中的主张，而不是已经得到验证的事实。 更容易引发误解的是，J-Space Cognition Suite 与 Anthropic 此前公布的 J-space 研究并不是同一个东西。前者是一套面向 DeepSeek V4 Pro 的第三方 Agent Harness，后者则是 Anthropic 对 Claude 模型内部神经表征展开的可解释性研究。两者虽然名称相似，但技术对象和用途完全不同。 不改模型权重，靠Harness把 V4 Pro“榨干”？ J-Space Cognition Suite 是一个面向 DeepSeek V4-Pro-0813 的社区开源项目。本质上，它并不是一个经过微调的新模型，也没有生成新的模型 checkpoint，而是在模型运行时外面增加一层 Harness，通过调整 Agent 的任务执行流程改善最终表现。 项目方认为，DeepSeek V4 Pro 在长时间 Agent 任务中存在两个主要问题：一是“表征漂移”，二是“过早停止”。 所谓表征漂移，可以理解为模型执行长链路任务时，随着步骤不断增加，当前工作状态逐渐偏离最初目标，具体表现可能包括忘记此前的重要上下文、重复已经完成的工作，以及在任务持续推进过程中逐渐“跑偏”等。 “过早停止”的定义则更加直接，即Agent 实际上还没有完成任务，却提前认为工作已经结束。例如在代码尚未完全修改、测试尚未完成或者仍存在错误的情况下，模型已经宣布任务完成并停止执行。 J-Space Cognition Suite 的核心思路并不是重新训练模型，而是在 Harness 层改善重试、验证、记忆、状态维护和停止条件等外围机制。项目背后的假设是：DeepSeek V4 Pro 模型权重本身已经蕴含更强的能力，只是现有 Agent 运行框架没有充分释放这些能力。 从这一角度看，J-Space 提出的是当下越来越受AI开发者关注的问题：同一个模型，在不同Harness下，究竟能够表现出多大的能力差距？ 目前，在其官方GitHub上公布的一组数据显示，加入 J-Space Cognition Suite 后，DeepSeek V4-Pro-0813 在 Terminal-Bench 2.1 上的成绩从87.9提高至90.1；NL2Repo成绩从61.5提高至73.4；Toolathlon-Verified则从74.1最高提升至79.5。 其中，Terminal-Bench 2.1提升2.2分，NL2Repo提升11.9分，Toolathlon-Verified最高提升5.4分。也正是这些成绩，推动了“DeepSeek V4 Pro通过J-Space击败Fable 5”的说法在X上迅速传播。 一个对项目相对有利的细节是，其公布的改造前基准与DeepSeek官方成绩基本接近。这至少意味着项目没有通过人为压低DeepSeek原始基线来制造夸张提升。 但真正重要的问题发生在“改造后”。 ExplainX指出，目前这些提升后的数字全部来自J-Space Cognition Suite项目方自己运行的Benchmark。包括Terminal-Bench、NL2Repo和Toolathlon-Verified在内，尚未发现项目之外的独立团队按照相同模型、Prompt、Harness、工具权限和推理预算重新跑出类似结果。 因此，“DeepSeek V4 Pro现在已经全面超过Fable 5”还不能作为一个已经确认的Benchmark事实。尤其是在Agent Benchmark越来越依赖外围Harness的情况下，仅有最终分数已经很难说明全部问题。模型是否允许重试、可以执行多少轮工具调用、是否拥有额外记忆模块、任务停止由谁判断、验证失败后是否自动回滚，这些因素都可能显著改变最终成绩。 真正严格的验证方式，应当是针对同一个DeepSeek V4-Pro-0813进行A/B测试：一组使用J-Space Harness，一组不使用；除此之外，Prompt、工具权限、推理强度、测试环境以及其他变量全部保持一致。只有在这种条件下，才有可能判断性能提升究竟来自Harness本身，还是Benchmark波动以及其他实验变量。 截至8月18日，项目之外的独立复现仍然没有出现。 此J-Space，与Anthropic研究不是一回事 此次事件中最容易产生误解的地方，是“J-Space”这个名字。 2026年7月，Anthropic曾发表一项关于Claude内部“J-space”的研究。该研究关注的是Claude内部一组特殊的神经表征，并尝试从“全局工作空间理论”（Global Workspace Theory）的角度理解模型内部信息如何被读取、传递和利用。这是一项模型可解释性研究。 而此次围绕DeepSeek V4 Pro传播的J-Space Cognition Suite，则是完全不同的社区项目。它是一个运行在DeepSeek V4 Pro外部的推理时Harness，与Anthropic没有官方关系，也不是将Anthropic的J-space直接移植到了DeepSeek。 J-Space Cognition Suite使用了一些类似“global workspace”的语言描述自己的推理机制，其命名究竟是受到Anthropic研究启发，还是单纯的命名巧合，目前并不能确认。但从技术形态来看，两者区别非常清楚：Anthropic研究的是模型内部表征，而J-Space Cognition Suite处理的是模型外部Agent执行流程。 也就是说，社区目前传播的“V4 Pro + J-Space”并不是“DeepSeek用上了Anthropic发现的J-space”。但这个命名确实迷惑了很多人，不少人在尝试后反馈无法复现，没有得到很好的结果。 有开发者扒了J-Space 的GitHub仓库代码后，直言这就是“skill plugin”，即运行在模型外围的skill或脚手架。 不过也有网友指出，J-space 也可以通过提示词来操控，比如“先思考一下 XYZ，然后再说 blablabla”，并不一定非要通过直接注入的方式。所以，理论上确实可以用这种方式来利用 J-space，但具体怎么做、哪些方法有效，仍然需要实际的探针实验去验证。 “这就是炒作，而且是假的。我没能复现其中任何一项说法。实际上，它消耗的 Toke