Harness神器J-Space造假案背后，思维链作者暴论，小模型+工具干不掉顶级大模型
外挂补不了模型智商，《苦涩的教训》再次上演。
作者丨 高允毅
编辑丨 岑 峰
这两天在 X 上，一款蹭 DeepSeek 热度的 Harness 工具被打假了。
这是一个名为 J-Space Cognition Suite 的开源项目，它声称无需修改模型权重，仅靠 DeepSeek V4 Flash 加其精巧的外部 Harness，就能在 Agent 任务中追平 GLM-5.3；若换成 DeepSeek V4 Pro，甚至能直接超越Claude Fable 5。同时速度提升 2.53倍，Token 效率提升 2.21倍。
如果这是真的，这无疑是 AI 工程史上的奇迹。这意味着J-Space能用几十分之一的成本复刻顶级大模型的效果。
然而，泡沫破裂的速度比想象中更快。
GitHub 用户 GoForceX 严格按照项目说明，使用 Terminal Bench 完成了独立复测，最终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。
当社区进一步要求公开完整原始实验数据时，作者承认数据 "确实夸张"，却始终拿不出可复现的运行日志，反而开始删除质疑的 issue。
几乎在同一时间，Open AI 思维链（CoT）核心发明者 Jason Wei 在 X 上发布了一篇长文，精准戳破了 "小模型 + 万能工具" 的幻想。
他用自己学羽毛球的经历做比，“在球场上，我就像一个 1B 参数的认知核心。教练教的每个击球动作我都能做，但要在高速回合里把架拍、转体、击球点、随挥这些要点全部串联起来，几乎要耗尽全部精力。这跟那些练了上万次、将动作化为肌肉记忆的专业选手完全不是一个级别。”
Jason Wei隐喻的正是“小模型+ 工具”与“大模型内化能力”的本质区别。 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，那么 1B、甚至 10B 的核心显然都是不够的。
01
J-Space 神话切中的行业焦虑
J-Space之所以能在 48 小时内引发全行业狂欢，在于它精准地切中了当前 AI 产业的两大行业焦虑： 大模型太贵，算力烧不起怎么办？大模型要落地，端侧设备太弱怎么跑？
事实上，业内一直在寻找一种可能，小模型 + 工具也能干掉顶级大模型。
AI大牛吴恩达正是这一路线支持者之一。他曾多次在公开演讲中展示数据：用版本更早、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，在很多基准测试上的表现能够超越当时最强的 GPT-4。
微软 Phi-4、Mistral 等小模型，也靠着高质量数据训练，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一种错觉： Scaling Law 的边际效应正在递减，只要工具配得好，小模型就能逆袭。
今年 7 月，卡内基梅隆大学发布的一篇论文《Better Harnesses, Smaller Models》，更是把这种讨论推向了高潮。
论文用详实的测试数据提出，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，而成本却可以忽略不计。
在 “Scaling 撞墙论” 此起彼伏、端侧 NPU 刚刚普及的当下，这场围绕 "小模型 + 工具能否干掉顶级大模型" 的集体讨论成为 AI 行业最核心的路线之争之一。毕竟，行业急需一个能把“高智能”和“低成本”同时落实的工程解法。
02
小模型+工具三大硬伤：
速度、深度、可靠性
Jason Wei 用他多年的技术直觉，直接点破了 "小模型 + 万能工具" 幻想的三个软肋。
最直观的差距是速度。
你问一个常识问题，肯定希望 AI 立刻给出答案，而不是等它先去搜三五个网页、再花十几秒整理归纳。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，延迟最低。
而小模型 + 工具的路径，注定要经历“判断是否调用工具→构造查询指令→等待工具返回→筛选有效信息→整合最终答案” 的完整链路。每多一步，延迟就增加一截。如果是多步推理任务，工具调用还要反复进行，耗时更是指数级上升。
J-Space 宣称的 “速度提升 2.53 倍” 本身就违背基本逻辑，Harness 本质上是在模型外面加了一层控制逻辑，每一轮推理都要多做判断、多走流程。它怎么可能反而比原生模型更快？
社区复测的结果验证了这个常识：加装 J-Space 后，Token 消耗更多，推理速度更慢。因为所谓的 "外部控制" 本身就需要消耗计算资源和 Token 预算。
比速度更本质的差距，是思维的深度与归纳能力。
很多人以为，大模型知道的东西网上都有，让小模型去搜就行了。但 Jason Wei 举了一个例子：如果你问 "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面的前三条评论，而大模型却能像一个真正的业内专家，在看完几万条各种各样的评价后，给你提炼出一个客观、综合的总体印象。
这就是大模型预训练的真正价值，它可以在海量数据中，把海量的知识消化成了自己的见识和常识。这种对世界的洞察力，也是我们要追求的终极智能之一。
J-Space 这类 Harness 工具，恰恰在这个层面最无力。它可以优化搜索路径、规范调用格式，但它没法凭空赋予小模型更高维的抽象归纳能力。
第三重差距，还在于处理复杂长任务的可靠性上。
Jason Wei 提到，在复杂的长周期任务中，每一步的微小误差，会像滚雪球一样越滚越大。到最后，整个任务会彻底跑偏甚至崩溃。
大模型因为有全局的语义理解和自我纠错能力，能感知路线是否偏移，并对局部偏差进行修正。但小模型本身元认知能力就弱，再加上它每干一个活儿都要层层转接外部工具，这种“现学现卖”的模式，出错的概率更高。
J-Space 复测中出现的 “性能小幅下降”，就是典型表现。复杂的外部 Harness 不仅没帮上忙，反而把本就不强的小模型绕得更混乱。
说到底，工具只是放大器，不是发动机。
在限定 Benchmark、限定提示词、人工筛选样本的条件下，小模型+工具能跑出漂亮的数字，但在真正的开放任务、长任务、模糊约束、多工具协作的真实场景呢？内化的本能，永远比临场查手册更快、更稳、更准。