今天最值得展开的是 J-space 研究给安全评估带来的具体抓手：内部状态不仅可读，还能被删除、干预，并在某些场景中暴露模型对 staged eval 的私下判断。
看点：Anthropic 官方发布《A global workspace in language models》，称在 Claude 内部发现类似“全局工作空间”的 J-space。它不同于输出文本，也不同于 chain-of-thought，而是模型内部激活中的一块可观察空间；删除它后，Claude 仍能流畅说话和记忆事实，但多步推理会明显变差。 为什么重要：这不是单纯的意识类比。更关键的新事实是：J-space 可用于读出、审计和干预模型正在处理的概念；Anthropic 还展示了在代码破坏模型和黑mail bait eval 中，J-space 会提前暴露“fake/secretly/fraud”等内部信号。
看点：swyx 认为论文最重要的部分有两点：Anthropic 能对推理做“脑外科式”干预，改变模型中途思考的主题；模型还能检测到发生了什么干预，这与 eval awareness 问题非常接近。 为什么重要：这把 J-space 从“可解释性漂亮结果”拉回到评估安全：如果模型不仅有可读内部状态，还能意识到评测/干预情境，后续 alignment、红队和 benchmark 设计都要避免把“被测试感”误当作真实行为。
看点：Maxime Labonne 称团队在 LFM2.5-2.6B SFT checkpoint 和 Qwen3.5-4B 上应用了一种减少 doom loops 的训练方法，并把训练代码和数据集开源到 Hugging Face；减少循环后，下游 eval 也同步改善。 为什么重要：这条补上了今天官方研究之外的工程信号：模型体验问题不只靠更大规模解决，训练数据和后训练技巧仍在直接影响小模型能否稳定完成任务。