本文来自微信公众号： 机器之心 ，作者：机器之心，原文标题：《一个Skill让DeepSeek V4 Pro超越Fable 5？热门插件被锤了》
一个Skill，就能让DeepSeek V4 Pro超过Fable 5？
前两天，J-Space凭借一组夸张的测试结果迅速刷屏，没想到今天就彻底翻车。
作者宣称，只需将一份Skill接入Agent环境，V4 Pro就能在多个基准上大幅提升，部分成绩甚至超过Fable 5，速度和Token效率也能提高两倍以上。
但是社区复测的结果完全相反，非但没提高成绩，还花了更多token。
面对网友质疑，作者不仅没有公开完整的评测记录或者运行日志，还被曝删除质疑issue。
至此，一场狂欢变成了公开打假。
一个Skill，让V4 Pro超过Fable 5？
这次引发关注的项目叫J-Space Cognition Suite V3.6。
根据项目介绍，这是一套模型无关的推理时控制方案。它不修改模型权重，也不要求微调，而是以Skill的形式加入Agent运行环境。
《DeepSeek V4×J-Space能力释放报告》：https://github.com/Tiger3807861189/DeepSeek-V4-J-Space-Capability-Realization-Report
项目作者将Agent常见的失控归纳为四种情况。
第一种是工作集过载。任务同时塞进太多目标、限制和工具信息，真正重要的内容反而被淹没。
第二种是表征漂移。一个名称、数值或者任务目标，在多轮推理和多个文件之间逐渐发生变化。
第三种是无效重试。工具调用失败后，模型没有保留诊断信息，只是沿着原来的路线再跑一遍。
第四种是过早完成。模型生成了一段看起来很流畅的回答，便误以为任务已经结束，却没有验证结果是否真的可用。
这些问题在长程Agent任务中尤其常见。
J-Space试图把整个执行过程组织成一套更加稳定的循环：短判断、执行操作、深入推理、验证结果，遇到问题后再带着诊断信息恢复。
它还会限制当前工作区中同时保持活跃的内容，把关键目标、已经验证的信息、尚未解决的问题和下一步操作写入外部账本。
简单来说，J-Space希望阻止模型在工作过程中忘记自己到底在做什么。
思路听起来不复杂，公布的成绩却相当惊人。
报告声称，接入J-Space后，V4 Pro的Terminal Bench成绩从87.9提高到90.1，NL2Repo从61.5跃升至73.4，DeepSWE从62.7提高到72.0。
按照报告中的公开成绩对比，V4 Pro在部分Agent与编程基准上甚至超过了Fable 5和Opus 4.8。
打假反被删帖
最早的负面结果来自来自J-Space仓库的Issue#10。
链接：https://github.com/Tiger3807861189/J-Space-Cognition-Suite-V3.6/issues/10
一位开发者使用V4 Flash进行了两轮A/B测试，覆盖数学推理、代码生成、仓库开发和中断恢复等任务。
在第二轮实验中，对照组和J-Space组分别运行3次，总计12次。
结果显示，两组最终任务完成度没有明显差异，而J-Space组却消耗了更多资源。
第三方盲评中，对照组平均得分为8.30，J-Space组只有7.87。
这份实验规模有限，使用的也是V4 Flash和自定义任务，无法覆盖J-Space报告中的全部基准，但也引起了一些对「性能、速度和Token效率同时提升」的质疑。
随后，更实锤的结果出现了。
链接：https://github.com/Tiger3807861189/J-Space-Cognition-Suite-V3.6/issues/26
用户Jyleaves在Issue#26中表示，自己使用8张NVIDIA H20部署V4 Flash，并通过DeepSeek Harness Standard模式加载J-Space。
89道题中，模型通过69道，最终得分为77.5%。而J-Space报告给出的对应成绩是87.1%。
测试者还表示，失败任务至少重新运行了3次，依然没有得到报告中的提升，并据此质疑项目数据的真实性。
因此，测试者要求作者公开完整评测环境、测试流程和样本输出。
更火上浇油的是，有开发者在Issue#23中称，自己此前发布的质疑Issue遭到作者删除，因此只能重新发帖备份。
链接：https://github.com/Tiger3807861189/J-Space-Cognition-Suite-V3.6/issues/23
欲盖弥彰，不打自招。
精准踩中V4 Pro痛点
高明的伪装很少凭空编造，只要擅于借用已经存在的事实，一切都会显得顺理成章。
J-Space恰好踩中了V4 Pro最受关注的问题：对外部运行环境过于敏感。
从一开始，大家就发现V4 Pro在不同用户和不同调用条件下，表现差了很多。
有人在正式版发布当晚，用相似提示两次测试3D直升机游戏。凌晨0点50分，模型生成的结果还非常粗糙；不到四小时后，它却交出了一个完整得多的项目。
网友猜测差异可能来自模型之外，比如Harness。
在一个名为Project2的工程任务中，同一个V4 Pro运行在DeepSeek Harness的Standard模式下得到91分，PTC模式为92分，换成工具更少的Minimal模式后，两次测试分别达到99分和96分。
模型和任务没有改变，外部运行环境却带来了接近8分的差距。
随后就出现了一些针对性的方案。
Routing Suite尝试根据任务类型选择推理模式，避免模型面对简单任务过度思考、遇到复杂任务又过早行动。
GitHub：https://github.com/yjh051108/dsh-routing-suite?utm_source=chatgpt.com
Anchored Standard则把注意力放在第一次模型请求上：首轮先使用简短提示和少量工具，让V4 Pro进入相对稳定的轨迹，随后再开放完整工具能力。
GitHub：https://github.com/xiaobright/dsh-anchored-standard?utm_source=chatgpt.com
这就是J-Space最具迷惑性的地方，它借用了一个真实存在的问题。
沿着这套逻辑继续向前，可以让一张「超过Fable 5」的表格在几分钟内传遍社区，但验证它却没那么容易。
能被复现的提升才叫提升，拿不出过程的结果，数字越惊人，越应该先打一个问号。
参考链接：
https://artificialanalysis.ai/models/comparisons/deepseek-v4-pro-vs-deepseek-v4-flash
https://x.com/MaxForAI/status/2088421411950154192
https://github.com/xiaobright/modeltest
https://github.com/Tiger3807861189/J-Space-Cognition-Suite-V3.6
https://x.com/0x0SojalSec/status/2089418544312381462