外挂补不了模型智商，《苦涩的教训》再次上演。
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。
03
从工程派到规模论，
Jason Wei 的认知转变
很有趣的一件事是，Jason Wei 当初也是“大模型规模论”的怀疑者，而今天，他坚定站在 "大模型不可替代" 这一边。
他的认知转变之路，几乎就是过去五年大模型行业发展的缩影。
2021年时，Jason Wei 在 Google Brain 还是一个典型的工程派。他和团队发现，只要在提示词中给出逻辑推导的示例，让大模型学会“把思考过程一步步写出来”，模型的推理能力就会大幅提升，这就是后来改变行业的“思维链（Chain-of-Thought）”。
那段时间，他沉迷于通过精巧的 Prompt 设计、指令微调来挖掘模型潜能，试图用轻量化的工程手段撬动更大的智能产出。
但随着研究深入，两个关键发现彻底改变了他的看法。
第一个发现是涌现能力。在他那篇里程碑式的论文《Emergent Abilities of Large Language Models》里，他将“涌现能力”定义为“An ability is emergent if it is not present in smaller models but is present in larger models.”（即小模型不具备而大模型具备的能力），这个定义已成为模型扩展定律研究的经典基石。
他用数据证明了，很多高级能力，比如三位数加法、多步推理，在小模型上无论你怎么调提示词、怎么加外挂，正确率都几乎是零。但一旦参数规模跨过某个临界点，大约 100B 量级，许多高阶能力开始涌现。
这意味着，小模型没有高阶智商。
第二个发现是思维链只在大模型上有效。在思维链论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》中，很多人只记得思维链能提升推理能力，却忽略了论文里一个关键结论：在小模型上使用思维链，不仅不会提升性能，反而会因为引出错误的中间推理步骤而导致成绩下降。
因为逻辑推理本身，就是规模的产物。
这两个发现彻底堵死了 "小模型靠精巧 Prompt或者Harness 实现高阶推理" 的幻想。
在 OpenAI 期间，他作为核心成员参与了 o1 系列等前沿推理项目的研发，对大模型内生能力的价值有了更深的理解。他在一篇博客里写道：“想让大模型超越人类老师，就必须用强化学习，去逼出它内生的高阶思考能力。”
04
DSPy 框架之父的数学呼应
Jason Wei 的观点也得到了另一位技术大牛的呼应。
DSPy 框架的作者，MIT 助理教授Omar Khattab在 Jason 发推后不久，从学术和系统层面的视角，再次佐证了“内化优于外挂”这一核心判断。
他用底层数学逻辑，精准指出了两者的计算差异。
他认为大模型使用的是注意力机制。它将所有上下文完整保留在显存中，每次以“全知视角”重新审视所有信息。这对应的正是 Jason 说的大模型的“内化能力”
而小模型+工具本质上是一种压缩与递归。它必须把复杂的外部世界塞进工具的输入输出里，在这种一轮一轮强行“信息脱水”和往下传递的过程中，大量高维信息丢失了。
Omar 指出，“虽然我们在工程上可以用各种‘外挂’来模拟出智能的表象，但在数学层面上，靠一轮轮压缩的‘递归’，永远无法完美模拟‘注意力机制’对全局的掌控力。”
不仅如此，Omar 团队还在其重磅论文《Machine Studying》中，重新定义了什么是 AI 的“专业能力”。他们认为，判断一个系统专不专业，不该看它闭卷考试拿了多少分，要看它用多少推理计算量，能换来多高的准确率。
对于新手型 Agent 来说，它必须靠疯狂搜索、反复试错，消耗大量 Token 才能勉强答对；而专家型 Agent 搜索次数少、命中率高，在低计算预算下就能有很好的表现。
05
《苦涩的教训》的回响
这场争论走到最后，终究绕不开 AI 领域那个经典之作，来自强化学习教父、人工智能先驱 Rich Sutton 的《苦涩的教训》
“人类在 AI 领域的所有精巧工程设计，最终都会被绝对的算力和数据规模碾得粉碎。”
从这个视角来看，小模型加工具本质上就是一种精巧工程，试图用人类擅长的工程链路去弥补模型本身容量的不足，而大模型则是纯粹规模定律的胜利。
回顾 AI 发展史，这样的故事已经上演过无数次。
七十年代专家系统盛行，人们相信把人类专家的知识写成规则就能造出智能，最终走向失败；九十年代到 2010 年代，自然语言处理依赖精心设计的特征工程与统计模型，语言学家们一点点打磨系统性能，直到深度学习出现，端到端的大规模训练直接重构了整个领域；2010 年代末知识图谱再度兴起，人们以为结构化的实体关系能让 AI 真正 “理解” 世界，结果预训练大模型证明，从海量数据中自发学到的隐式知识，远比人工构建的结构化知识更强大。
每一次，人们都试图用巧思走捷径；每一次，最终胜出的都是更简单、更吃算力的方法。
既然苦涩的教训一再应验，为什么人们还是一次次地投入 "工程派" 的怀抱？因为太贵了。万亿参数模型的训练成本是天文数字，不是每家公司都能承担得起，而且每个日常场景也并不都需要顶级智能。
比如开发者 Matthew Auburn 曾公开表示，“对于小模型，Harness 就是一切”。他认为在商业场景里，90% 的任务只需要 60 分的智能 + 100 分的执行。性价比才是王道，顶级智能反而是浪费。
也有开发者提出了更折中的未来方向：行业最终会走向一种中间状态，核心认知能力会被拆分为多个十亿级的专家模型协同工作，就像混合专家（MoE）架构的延伸。
这些专家模块更灵活、可替换、可审计，而不是现在这样用一个粗放的 Harness 试图包打天下。
事实上 Omar Khattab 本人就是 Harness 优化的重要推动者，他的 DSPy 框架、Meta-Harness 研究，本质都是在提升工具链的自动化水平，他不认为 Harness 能替代模型本身的能力，却从未否认 Harness 的工程价值。
参考链接：
https://x.com/maxforai/status/2089734195002445912?s=46
https://x.com/_jasonwei/status/2089429555371024577?s=46
https://x.com/lateinteraction/status/1909011076605518124
文章来自于"AI科技评论"，作者 "高允毅"。