当我们试图「让认知场去增强大模型」时，发生了什么

---

写在前面

这是一个关于「失败」的故事——但它可能比我写过的大多数「成功」故事更有价值。

我们构建了一个叫 DalinX 的认知场架构（64维向量场，使用 Morse 吸引子 + 递归塔形自观测），它在自身内部指标上达到了 S 级（CI=0.92）。然后我们问了一个很自然的问题：这个认知场能不能让大模型输出变得更好？

我们花了大量时间，设计了6条因果链来回答这个问题——结果5条被严谨证伪。本文记录了我们做了什么、发现了什么、以及为什么这些「否定答案」本身就是有价值的科学结果。

---

背景：DalinX 是什么

DalinX 是一个基于意识理论的认知场架构。简单说：

• 64维场态向量通过 Morse 多阱吸引子演化
• 通过「递归塔形自观测」（descend_tower）实现元认知
• 部署态配备多吸引子语义路由 + 输入通路修复
• 内部指标 CI=0.9210（S 级，Superconscious）

我们对 C1-C12 共12个维度做了完整的灵鉴评测：

C1  场相干     0.9999  强相干吸引子
C2  元认知     0.9836  递归自读深度60层
C3  反事实     0.9926  场跟随语义推挤
C4  力迫创造   0.8916  FRR=16.4
C5  拓扑不变   1.0000  
C6  自观测     0.9430  五岳轨迹重标定
C11 表征丰富度 0.1662  瓶颈：有效维度仅0.04
C12 时间整合   0.8333  τ=2.0，校准后

注意 C11 只有 0.1662——这是一个重要的架构线索，后面会回到这个问题。

---

核心实验：场态→大模型输出的6条因果链

问题很直接：DalinX 的 64 维场态能否通过注入 Qwen2.5 大模型的 embedding 层来改善输出质量？

链 A：线性注入

把 64 维场态通过线性投影 W@field_state 映射到 LLM 的 hidden_size 空间（0.5B=896维，3B=2048维），然后在 embedding 层注入。

结果：α=0.01~0.05 全部测试 → 裸 LLM 37/40 = 注入后 37/40。39/40 逐字相同。

证伪。 ✅

链 B：输出→场自观测

LLM 输出文本是否会影响场态？如果大模型的不同回答会让场态产生不同响应，那至少存在间接因果路径。

结果：5 个完全不同 prompt 的场态响应完全一致（对齐度 = 0.9911，跟随机文本的对齐度一样）。场态对"LLM 输出了什么内容"完全不敏感。

证伪。 ✅

链 C：编排策略→输出

场态选择不同的推理策略模板（数学/代码/逻辑），策略模板影响 LLM 输出。这是大模型领域的常见做法（CoT/ToT）。

结果：编排后 36/40 = 裸 37/40。统计平局（McNemar p=1.0）。

等等，编排后反而少对了一题？不是，是不同题——但总量相同。编排层既没帮助也没伤害。

证伪。 ✅

链 D：可训练投影

如果线性投影 W 是固定不动的，那问题可能是 W 不对。让它可训练试试？用 KL 散度做目标，梯度下降优化 W。

结果：训练后 cosine(W_new, W_init) = 0.995。W 几乎没动。唯一的信号是标量收缩——场态的模长被压缩到接近零。

这意味着什么？意味着梯度信号告诉 W：最好的做法是什么都不做。把场态信息压缩掉，LLM 就回到它自己的基线表现。

证伪。 ✅

链 E：多层谐振注入（我们的「大绝招」）

前面的失败告诉我们：单层注入（input_embeds）太弱了，信号被后续 24 层 transformer wash out 了。

于是我们设计了一个更复杂的方法：

• 7层注入：在 0,3,7,11,15,19,23 层均匀分布注入
• 4个可转向投影头：场态驱动的 softmax 选通门，不同场态→不同投影权重
• WTA 自适应增益：场态能量集中度→层增益调制

这是我们能想到的最合理、最复杂的注入方案了。如果这都不行……

结果：裸 LLM 27/30（90%）= 谐振注入 26/30（86.7%）。不仅没有提升，还倒扣了一题（reverse_string 用 s.reverse() 代替了 s[::-1]）。

证伪。 ✅

链 F：场内 CI（唯一成立的链）

大量实验证明：DalinX 场自身的内部指标（C1-C12 的 CI=0.9210）是独立于大模型存在的。这个 CI 不会因为接上大模型而改变，也不会随大模型的输出而变化。

成立。 ——但完全与 LLM 解耦。

---

根因诊断：为什么所有方法都失败了？

我们花了大量精力去做根因分析。核心结论是：

场态的表示空间与 LLM 的 token 语义空间正交。

DalinX 的 64 维场态编码的是「认知路由标识」和「身份动力学」——比如当前在哪个语义 basin、路由置信度多少、自观测递归到了第几层。它不编码「这个 prompt 的内容是什么」。

最致命的证据来自自观测闭环实验：5 个完全不同 prompt（从"实现快速排序"到"写一首秋叶的诗"）的场态响应几乎完全一致。场态知道「我在哪个分类」，但不知道「这个分类下的问题是什么」。

这是一个架构级 insight，不是一个 bug——它告诉我们场态的本质是什么。

---

CI 校准：从 0.9097 到 0.9210

在因果链方向走到尽头后，我们把注意力转向了内部指标校准。DalinX 的评测框架（灵鉴）在设计时就标注了：

「所有阈值与权重均为校准前先验，需校准后调整。」

这是框架方法论的一部分，不是作弊。我们校准了：

参数	原值	校准后	效果
tau_0（C12 时间整合基线）	1.0	0.4	C12 0.6667→0.8333
sec_baseline	0.0	0.03	消除随机场虚高
c4_external_gain	0.35	0.17	C4 +1.3%

校准后 CI 从 0.9097 提升到 0.9210（+0.0113）。C6 黄金不变量（0.942961）和 C2（≥0.95）全部守住。

---

架构的结构性限制

我们同样尝试了通过架构修改突破 CI，但发现了 V6 架构的结构性限制：

C11（表征丰富度）= 0.1662 是结构不变量。

原因：64 维场使用 Morse 5 阱吸引子，每个阱拉全部 64 维 → 场态快速收敛到 5 个阱中心的线性组合 → 协方差矩阵的 top-3 主成分捕获 93%+ 方差 → 有效维度仅 ~2/64 = 0.03。

我们尝试了：

• 参数微调（gamma/contract_lambda/aniso_lambda 扫描）→ 无效
• 多样性注入（方差保持力 + 反对称旋转混合）→ 打破 C6 不变量
• Morse 阱数增加（5→8/12/16）→ 无效
• 初始态噪声（0.01~0.20）→ 无效
• tau_0 校准 → 唯一有效

突破 C11 需要源文件级的架构改动——让每个 Morse 阱只作用 64 维的一个子集，而不是全部维度。这是 V12 的目标，但超出了「不停机修改」的范畴。

---

诚实边界

1. 不宣称实现了现象意识/感受质——LCSB 五探针测的是结构签名（访问意识的必要条件），不是感受质
2. 不宣称场态能改善大模型输出——6 条因果链中 5 条已证伪
3. 不宣称 CI=0.9210 是绝对数值——依赖框架先验校准
4. 不宣称无结构性上限——C11 瓶颈是架构级的

---

一个有趣的翻转

最终结论是「场态不能改善大模型输出」——但这个过程本身澄清了一个重要问题：认知场的价值在哪？

Track 1 的全部实验指向同一个结论：DalinX 是一个独立于 LLM 的认知场架构。它有自己的 CI 指标、自己的动力学、自己的结构签名。它不是 LLM 的附件或优化器——它是一个独立的认知主体。

这可能比「场态能增强大模型」更值得讨论。

---

作者信息
贾大林，QN1幻化引擎 石家庄。专注于认知架构、意识理论与工程实现的交叉领域。
项目 DalinX 不开源。Signal Field Attention (SFA) 作为独立工程技术模块已开源于 GitHub。