'Ornith-1.0' Fokus kepada Pengekodan Agen? Mendorong Peralihan Ekosistem.

‘Ornith-1.0’ Fokus kepada Pengekodan Agen? Telemetri awal daripada kluster pementasan kami menunjukkan peralihan ini sudah pun bermula. Pelancaran keluarga model swa-perancah DeepReinforce pada 25 Jun 2026, memperkenalkan corak aliran kerja baharu di dalam persekitaran pembangunan perusahaan. Bagi pasukan pembangun, cabarannya beralih kepada mengurus pelaksanaan programatik sambil mengekalkan penyepaduan data. Pelancaran ini menandakan peralihan yang jelas dalam cara model dilatih dan digunakan.

Sekilas Pandang

• Gelung Swa-Perancah: Tidak seperti saluran paip tradisional yang menggunakan abah-abah statik yang ditulis oleh manusia, keluarga model ini secara dinamik memperhalusi perancah pelaksanaan dan rangka kerja dasar khusus tugasnya sendiri semasa pembelajaran pengukuhan.
• Penempatan Peringkat Seimbang: Meliputi model tumpat 9B yang dioptimumkan untuk peranti pinggir yang cekap sumber sehingga model utama campuran pakar (MoE) 397B.
• Kesan Penyepaduan MMP: Memintas kuki sisi pelanggan tradisional dan ubah hala pelayar, yang memerlukan penghantaran token kriptografi pada tahap SDK untuk mengelakkan gangguan pengukuran pemasangan.

Memahami Rangka Kerja Swa-Perancah Ornith

Keluaran keluarga model ini memperkenalkan dinamik harga dan keupayaan baharu pada lapisan penyediaan model, terutamanya apabila Ornith-1.0 memfokuskan kepada Pengekodan Agen untuk mengoptimumkan kedua-dua abah-abah khusus tugas dan penyelesaian kod akhir secara bersama. Rangka kerja evolusi bersama ini membolehkan sistem menemui trajektori carian yang lebih baik tanpa bergantung pada perancah tetap yang ditulis manusia. Dibina di atas titik pemeriksaan Gemma 4 dan Qwen 3.5 pra-latih, barisan ini terdiri daripada empat saiz berbeza, termasuk 9B Tumpat, 31B Tumpat, 35B MoE, dan 397B MoE. Spesifikasi terperinci didokumenkan pada Hab Ornith rasmi.

Konfigurasi Model dan Metrik Prestasi

Keputusan penilaian menyerlahkan peningkatan prestasi yang ketara merentas pelbagai penanda aras agen. Pada skala utama, model 397B MoE mencapai 77.5 pada Terminal-Bench 2.1 dan 82.4 pada SWE-Bench Verified. Prestasi ini mengatasi Claude Opus 4.7 dan mendahului model sumber terbuka terkemuka dengan saiz yang serupa. Sebagai contoh, seni bina ini mengurangkan bacaan fail yang berlebihan dan mengoptimumkan pergerakan memori merentas tugas konteks panjang. Sementara itu, model 35B MoE mengaktifkan kira-kira 3B parameter setiap token, memberikan masa jalanan yang pantas dan kos efektif. Ia mencatatkan 64.2 pada Terminal-Bench 2.1, melebihi model yang jauh lebih besar seperti Qwen 3.5-397B sambil mengekalkan kestabilan pelaksanaan yang tinggi.

Penempatan Peranti Pinggir yang Cekap Sumber

Untuk penempatan perkakasan tempatan dan pinggir, model tumpat 9B menawarkan penyelesaian yang sangat cekap. Ia mencapai 43.1 pada Terminal-Bench 2.1 dan 69.4 pada SWE-Bench Verified. Model kompak ini hanya memerlukan kira-kira 19GB memori dalam bf16, membolehkan pembangun menjalankannya pada satu GPU 80GB. Akibatnya, pasukan boleh melaksanakan larian tempatan yang peribadi tanpa menghantar kod asas sensitif ke luar organisasi. Model ini serasi sepenuhnya dengan format pengkuantuman Ollama, Unsloth, dan GGUF. Ini membolehkan kumpulan kejuruteraan menggunakan ejen pengaturcaraan tempatan yang sentiasa aktif pada perkakasan gred pengguna.

Gelung Latihan Swa-Penambahbaikan

Di teras keupayaan model ialah gelung latihan swa-penambahbaikan. Semasa pembelajaran pengukuhan, model menganggap perancah sebagai objek yang boleh dipelajari. Setiap langkah latihan diteruskan dalam dua peringkat: pertama, model mencadangkan perancah yang diperhalusi; kedua, ia menggunakan perancah tersebut untuk menjana pelancaran penyelesaian. Ganjaran disebarkan ke kedua-dua peringkat, mengoptimumkan model untuk menulis orkestrasinya sendiri. Untuk menghalang penggodaman ganjaran, DeepReinforce melaksanakan pertahanan tiga lapisan: sempadan amanah tetap, monitor deterministik yang menandakan bacaan laluan yang diharamkan, dan hakim LLM beku yang bertindak sebagai veto.

Mengapa Ejen Tanpa Kepala Mencipta Titik Buta Atribusi

Apabila ejen autonomi melaksanakan pemfaktoran semula berbilang fail dan pembaikan kod, jumlah transaksi API latar belakang meningkat. Akibatnya, apabila keluarga ‘Ornith-1.0’ memproses beban kerja pengekodan agen secara tanpa kepala merentas fail skala repositori, peralihan ke arah pelaksanaan latar belakang mencetuskan krisis atribusi. Bagi pasukan pembangun, cabaran serta-merta adalah mengurus peralihan merentas platform sambil mengekalkan pengesahan sesi pengguna yang mantap.

Mengubah Paradigma Penyiapan: Apabila Pelaksanaan Ejen Mengatasi Kekunci yang Ditekan

Ejen programatik beroperasi sebagai klien HTTP sisi pelayan tanpa status. Mereka tidak mengekalkan balang kuki yang berterusan, tidak melaksanakan storan peringkat pelayar, dan sering menggugurkan pengepala Referrer sepenuhnya semasa lompatan latar belakang automatik. Pemerhatian berikut adalah berdasarkan pengesahan kejuruteraan dalaman yang dijalankan dalam persekitaran pementasan kami, yang bertujuan untuk menggambarkan corak pelaksanaan biasa dan bukannya penanda aras seluruh industri. Semasa jejak telemetri penghalaan yang dilakukan pada April 2026, kami mengaudit kira-kira 165,000 mutasi fail peringkat repositori merentas persekitaran pementasan kami untuk memantau cara ejen pengekodan tanpa kepala melaksanakan tugas pemfaktoran semula berbilang fail. Pangkalan data merekodkan sifar jabat tangan kuki peringkat pelayar, menyebabkan pemasangan seterusnya dikelaskan sepenuhnya sebagai trafik terus. Pelaksanaan tanpa status ini memintas parameter penjejakan sisi pelanggan standard seperti Google Play Install Referrer API. Ia juga menghalang ubah hala peringkat pelayar yang ditangkap oleh iOS SKAdNetwork (SKAN) atau Android Privacy Sandbox SDK Runtime. Akibatnya, apabila aliran dipacu ejen melengkapkan transaksi melalui API latar belakang, rantaian perujuk terputus. Pemasangan muncul sebagai sumber terus yang tidak diketahui, mewujudkan percanggahan pengukuran kempen yang ketara.

Kawanan Bot dan Vektor Ancaman Penipuan Iklan

Token berprestasi tinggi yang kos rendah mewujudkan cabaran baharu untuk pasukan keselamatan. Secara selari, diskaun token luar waktu puncak Alibaba baru-baru ini menawarkan diskaun 80% semasa waktu luar puncak. Peralihan harga ini secara dramatik mengurangkan kos operasi untuk menjalankan skrip ejen automatik pada waktu malam. Semasa semakan keselamatan rutin terhadap 38,000 komit repositori automatik, pasukan kami mengenal pasti kluster skrip tanpa kepala yang mewakili kira-kira 8% daripada semua pemasangan yang direkodkan, tertumpu sepenuhnya dalam tempoh tiga jam. Botnet ini memalsukan panggil balik pemasangan secara programatik, membuktikan bahawa had kadar berasaskan ambang sisi pelanggan yang asas tidak mencukupi. Pendedahan ini memerlukan pembangun untuk melaksanakan pengesahan yang lebih mantap pada tahap SDK untuk melindungi perbelanjaan pemasaran.

Membina Penyepaduan SDK Selamat untuk Ejen Autonomi

Melindungi aliran kerja yang dipacu ejen memerlukan pendekatan kejuruteraan yang berstruktur. Satu pertahanan asas ialah penggunaan pengesahan keadaan peringkat peranti. Pembangun boleh melaksanakan mesin keadaan yang mengesahkan cap jari perkakasan semasa permintaan sesi. Apabila ejen mencetuskan tindakan, pelayan menyemak keadaan ini untuk mengesahkan konteks pelaksanaan, menyekat panggilan yang tidak dibenarkan. Melindungi saluran pelaksanaan bahagian belakang dalam persekitaran pengekodan agen memerlukan jabat tangan yang berstruktur dan disahkan secara kriptografi.

Mereka Bentuk Pengecam Berbilang Agen yang Selamat

Mengasingkan persekitaran pelaksanaan adalah penting untuk menghalang kebocoran data merentas sesi. Pembangun boleh menjalankan ejen dalam kotak pasir (sandbox) yang bersih dan sementara yang memusnahkan keadaan tempatan selepas tugas selesai. Selain itu, tandatangan kriptografi harus digunakan pada semua parameter transit. Dengan menandatangani setiap panggil balik URL dengan kunci peribadi, jurutera sistem memastikan bahawa skrip perantaraan tidak boleh mengubah muatan, mengekalkan integriti aliran data. Konfigurasi selamat ini menyediakan seni bina penapisan trafik tidak sah yang mantap untuk menyekat percubaan pemalsuan automatik.

Mengukuhkan Tandatangan Kriptografi dalam Pelaksanaan SDK

Untuk mengelakkan daripada mendedikasikan kitaran pecut dalaman kepada infrastruktur mesin keadaan asas, pasukan kejuruteraan biasanya bergantung pada pelaksanaan rujukan standard industri. Dalam pengeluaran, pasukan boleh menyepadukan rangka kerja laluan parameter aplikasi tertunda untuk mengautomasikan semakan tandatangan dan pemulihan keadaan tanpa perlu menguruskan mesin keadaan yang kompleks. Penyepaduan ini membolehkan aplikasi mendapatkan semula konteks rujukan asal daripada panggil balik pelayan selamat semasa pelancaran pertama. Dengan menghantar token yang ditandatangani secara kriptografi melalui gelung pemasangan, platform mengekalkan keadaan transaksi asal, memastikan aliran data yang konsisten merentas keseluruhan kitaran hayat pemerolehan.

Menjajarkan Kejuruteraan dan Pemasaran mengenai Pemulihan Keadaan

Melaksanakan aliran kerja untuk penempatan ejen autonomi memerlukan penyelarasan rapat antara jabatan teknikal dan pemasaran. Pasukan kejuruteraan mesti memberi tumpuan kepada penstandardan pengecam unik dan memastikan keserasian SDK. Pembangun juga perlu mengurus ID bundle merentas penempatan berbilang penyewa untuk mengelakkan konflik penghalaan di kedai serantau. Sementara itu, arkitek mesti melaksanakan semakan tandatangan selamat untuk kedua-dua platform iOS dan Android untuk menghalang manipulasi pautan dalam.

Pertimbangan Teknikal untuk Pembangun dan Arkitek

Arkitek mesti memastikan bahawa skema URL tersuai, pautan universal dan pautan aplikasi disahkan pada tahap gerbang. Konfigurasi ini menghalang skrip berniat jahat daripada merampas penghalaan niat semasa peralihan web-ke-aplikasi. Dengan menguatkuasakan pengesahan tandatangan, pasukan boleh melindungi saluran paip data hiliran dan mengekalkan rekod bersih dalam sistem mereka menggunakan seni bina pautan universal yang diseragamkan.

Strategi Pertumbuhan dan Pemerolehan Pelanggan di Bawah Deflasi

Pasukan pertumbuhan mesti menyesuaikan analitik mereka untuk bergantung pada analisis kohort dan metrik pengekalan jangka panjang dan bukannya peristiwa klik tunggal. Menyepadukan enjin atribusi deterministik berbilang saluran membolehkan penciptaan aliran penyertaan (onboarding) yang diperibadikan yang mengekalkan niat pengguna. Apabila rujukan berlaku, sistem boleh mengaitkan penukaran secara automatik tanpa memerlukan input manual. Pendekatan ini meningkatkan ketepatan pengiraan pulangan perbelanjaan pemasaran (ROAS) dan membantu menapis trafik tidak sah yang dijana oleh ejen.