一个插件,让 DeepSeek V4 能力超越 Fable 5?

最近一组测试数据，属实有点炸裂。

DeepSeek V4 Pro-0813 只是加载了一个开源插件——没有微调、没有改一行模型权重——就在多项 Agent 和 Coding 测试里，直接干过了 Fable 5。

更夸张的是，在项目汇总的 9 项公开参考测试中，V4 Pro + J-Space 拿下了 7 项最高分。

不废话，直接上数据：

Terminal Bench 2.1：90.1（Fable 5：88.0）

DeepSWE：72.0（Fable 5：70.0）

CyberGym：86.8（Fable 5：83.1）

Toolathlon：79.5（Fable 5：77.9）

HLE（带工具）：67.7（Fable 5：63.0）

甚至在 NL2Repo、Terminal Bench、CyberGym 这些项目里，它还超过了 Opus 4.8、GLM-5.3 等一众顶级模型的公开参考成绩。

而最关键的一点是：

DeepSeek V4 本身，一行权重都没动。

真正发生变化的，是它外挂了一个叫J-Space Cognition Suite的推理时控制插件。

这就引出了一个非常有意思的问题：

如果不训练模型、只改变模型"怎么干活"，性能都能涨这么多——那我们平时看的模型跑分，真的是模型能力的全部吗？

答案恐怕是：不是。

一、V4 最大的问题，可能不是"不够聪明"

J-Space 作者提出了一个概念，我个人觉得值得所有人记住：能力实现损失（Capability Realization Loss）。

翻译成人话就是：

模型其实会，但一到真正干活的时候，能力没发挥出来。

你肯定见过这些场景：

任务做到一半，忘了最初的目标；

工具调用失败，从头再来一遍；

改了五个文件，只验证了两个；

上下文越拉越长，开始反复"分析"，就是不动手；

活儿还没验证完，就急着宣布"任务完成"。

注意，这都不是"模型不会"。

而是模型的能力，在工具调用、文件切换、长上下文、状态管理、失败恢复这一层层流程里，被一点点"漏"掉了。

就像一个学霸去上班：知识都在脑子里，但没有项目管理、没有任务清单、没有复盘机制，照样交付得一塌糊涂。

二、J-Space 干的事，本质上是给 AI 配了个"项目经理"

它不替模型思考，它管理模型的思考过程。

复杂任务会被拆成一条清晰的流水线：

判断 → 行动 → 验证 → 保存状态 → 继续执行。

同时维护 Goal、Verified、Open、Next 四类状态，让模型随时清楚四件事：

我最终要干什么；

哪些已经确认没问题；

哪些坑还没填；

下一步该做什么。

工具调用失败也不再是"推倒重来"，而是记下失败原因，从最近一个可靠状态恢复继续。

一句话总结这个组合：

DeepSeek V4 负责智力，J-Space 负责让这份智力别被浪费。

三、真正值得关注的，不是"吊打 Fable 5"

先泼盆冷水：这些结果，目前要谨慎看待。

J-Space 的 DeepSeek 数据属于单次实测，没有多随机种子、没有置信区间；Fable 5、Opus 4.8、GLM-5.3 的成绩来自各家公开数据，也不是放在同一个测试框架里重跑的。

项目作者自己也明确承认了这一点。

所以现在还不能喊出那句"DeepSeek V4 全面超越 Fable 5"。

但至少有一件事，越来越清楚了：

过去这几年，行业卷的是参数、训练数据和模型架构。

而 Agent 时代的下一场战争，很可能是：

谁能把模型已经拥有的能力，稳定地释放出来。

如果一个开源运行时插件，就能让同一个 DeepSeek V4 拉开十几个点的差距，那未来决定 Agent 实力的，可能不再是"你用了什么模型"。

而是：

你到底会不会用这个模型。