我们提出 Neural Control Plane (NCP)，一个闭环系统，实时监测语言模型的执行过程，合成候选的权重空间干预规则并进行评估，同时维护一个带版本的已批准策略表。NCP 将预训练模型的推理数据平面与负责临时参数干预的控制策略解耦。\ \ W-ISA 提供事务化执行和参数恢复功能；NCP 负责遥测收集、候选规则合成、准入标准、优先级调度以及规则生命周期管理。优化状态由当前激活的规则集合和已评估候选的归档组成，且每次请求后都会将基模型参数恢复到原始状态。\ \ 在本地 SmolLM-135M‑Instruct 实验中，NCP 基于开发阶段的遥测生成了三条候选规则，并在独立任务示例及一个包含 4,095 条目标的 WikiText‑2 子集上进行评估。\ \
- 一条投影将验证集的 token 重复率从 $0.4133$ 降至 $0.2191$，困惑度变化为 $-0.0574\%$。\
- 所有候选均未产生新的正确精确答案，因而准入门将三条规则全部归档，保持原始策略为唯一激活规则。\ \ 重复执行新进程以及恢复已保存的规则表均能够复现上述结果。NCP 为在控制策略层面研究递归自我改进提供了可执行框架，核心在于显式的规则合成、验证与状态转移机制。\ \ 点评: NCP 展示了通过权重空间干预实现模型行为微调的可行路径，为未来的自适应模型控制提供了实验基础。