'Ornith-1.0' มุ่งเน้นไปที่ Agentic Coding? ก่อให้เกิดการเปลี่ยนแปลงครั้งใหญ่ในระบบนิเวศ

‘Ornith-1.0’ มุ่งเน้นไปที่ Agentic Coding หรือไม่? ข้อมูล telemetry เบื้องต้นจากคลัสเตอร์ทดสอบของเราบ่งชี้ว่าการเปลี่ยนแปลงนี้กำลังเกิดขึ้นจริง การเปิดตัวตระกูลโมเดลแบบ self-scaffolding ของ DeepReinforce เมื่อวันที่ 25 มิถุนายน 2026 ได้นำเสนอรูปแบบเวิร์กโฟลว์ใหม่ๆ ภายในสภาพแวดล้อมการพัฒนาขององค์กร สำหรับทีมพัฒนา ความท้าทายได้เปลี่ยนไปสู่การจัดการการทำงานแบบโปรแกรมมิ่งควบคู่ไปกับการรักษาความปลอดภัยของการเชื่อมต่อข้อมูล การเปิดตัวครั้งนี้ถือเป็นการเปลี่ยนผ่านที่ชัดเจนในด้านวิธีการฝึกฝนและปรับใช้โมเดล

สรุปภาพรวม

• ลูป Self-Scaffolding: ไม่เหมือนกับไปป์ไลน์แบบเดิมที่ใช้โครงสร้างพื้นฐานแบบคงที่ที่เขียนโดยมนุษย์ ตระกูลโมเดลนี้จะปรับแต่งโครงสร้างการทำงานและกรอบนโยบายเฉพาะงานของตัวเองแบบไดนามิกในระหว่างกระบวนการ Reinforcement Learning
• การปรับใช้ในระดับที่สมดุล: ครอบคลุมตั้งแต่โมเดล 9B ขนาดกะทัดรัดที่ปรับแต่งมาเพื่ออุปกรณ์ Edge ที่ต้องการประสิทธิภาพสูง ไปจนถึงโมเดลเรือธง Mixture-of-Experts (MoE) ขนาด 397B
• ผลกระทบต่อการบูรณาการ MMP: สามารถข้ามการใช้งานคุกกี้ฝั่งไคลเอนต์และการเปลี่ยนเส้นทางผ่านเบราว์เซอร์แบบเดิมได้ ซึ่งจำเป็นต้องใช้การส่งผ่านโทเค็นแบบเข้ารหัสลับที่ระดับ SDK เพื่อป้องกันไม่ให้ข้อมูลการวัดผลการติดตั้งสูญหาย

ทำความเข้าใจกรอบการทำงาน Self-Scaffolding ของ Ornith

การเปิดตัวตระกูลโมเดลนี้ได้นำเสนอพลวัตด้านราคาและความสามารถใหม่ๆ ในชั้นการให้บริการโมเดล โดยเฉพาะเมื่อ Ornith-1.0 มุ่งเน้นไปที่ Agentic Coding เพื่อปรับประสิทธิภาพของทั้งชุดเครื่องมือเฉพาะงานและโซลูชันโค้ดขั้นสุดท้ายไปพร้อมกัน กรอบการทำงานแบบวิวัฒนาการร่วมกัน (co-evolutionary) นี้ช่วยให้ระบบสามารถค้นหาแนวทางการประมวลผลที่มีประสิทธิภาพยิ่งขึ้นโดยไม่ต้องพึ่งพาโครงสร้างที่ตายตัวซึ่งเขียนโดยมนุษย์ โดยสร้างขึ้นบนพื้นฐานของ Checkpoints ของ Gemma 4 และ Qwen 3.5 ที่ผ่านการฝึกฝนมาล่วงหน้า ประกอบด้วย 4 ขนาดที่แตกต่างกัน ได้แก่ 9B Dense, 31B Dense, 35B MoE และ 397B MoE สามารถดูรายละเอียดทางเทคนิคเพิ่มเติมได้ที่ Ornith Hub

การกำหนดค่าโมเดลและตัวชี้วัดประสิทธิภาพ

ผลการประเมินแสดงให้เห็นถึงประสิทธิภาพที่เพิ่มขึ้นอย่างมีนัยสำคัญในมาตรฐานการวัดผลแบบ Agentic ในระดับเรือธง โมเดล 397B MoE ทำคะแนนได้ 77.5 บน Terminal-Bench 2.1 และ 82.4 บน SWE-Bench Verified ซึ่งประสิทธิภาพนี้เหนือกว่า Claude Opus 4.7 และก้าวข้ามโมเดลโอเพ่นซอร์สชั้นนำที่มีขนาดใกล้เคียงกัน ตัวอย่างเช่น สถาปัตยกรรมนี้ช่วยลดการอ่านไฟล์ที่ซ้ำซ้อนและเพิ่มประสิทธิภาพการเคลื่อนย้ายหน่วยความจำสำหรับงานที่มีบริบทขนาดยาว ในขณะเดียวกัน โมเดล 35B MoE จะเรียกใช้พารามิเตอร์ประมาณ 3B ต่อโทเค็น ซึ่งมอบการทำงานที่รวดเร็วและคุ้มค่า โดยทำคะแนนได้ 64.2 บน Terminal-Bench 2.1 เหนือกว่าโมเดลที่มีขนาดใหญ่กว่าอย่าง Qwen 3.5-397B ในขณะที่ยังคงความเสถียรในการทำงานไว้ได้สูง

การปรับใช้บน Edge ที่เน้นประสิทธิภาพของทรัพยากร

สำหรับการปรับใช้บนฮาร์ดแวร์ท้องถิ่นและ Edge โมเดล 9B dense มอบโซลูชันที่มีประสิทธิภาพสูงสุด โดยทำคะแนนได้ 43.1 บน Terminal-Bench 2.1 และ 69.4 บน SWE-Bench Verified โมเดลขนาดกะทัดรัดนี้ต้องการหน่วยความจำเพียงประมาณ 19GB ในรูปแบบ bf16 ซึ่งช่วยให้นักพัฒนาสามารถรันบน GPU ขนาด 80GB ได้เพียงตัวเดียว ส่งผลให้ทีมต่างๆ สามารถรันการทำงานแบบส่วนตัวบนเครื่องภายในองค์กรได้โดยไม่ต้องส่งโค้ดที่มีความละเอียดอ่อนออกไปภายนอก โมเดลรองรับรูปแบบการ Quantization ของ Ollama, Unsloth และ GGUF อย่างเต็มรูปแบบ ซึ่งช่วยให้กลุ่มวิศวกรสามารถปรับใช้เอเจนต์การเขียนโปรแกรมบนฮาร์ดแวร์ทั่วไปได้ตลอดเวลา

ลูปการฝึกฝนแบบปรับปรุงตัวเอง

หัวใจสำคัญของขีดความสามารถของโมเดลคือลูปการฝึกฝนที่ปรับปรุงตัวเองได้ ในระหว่างกระบวนการ Reinforcement Learning โมเดลจะปฏิบัติต่อโครงสร้าง (scaffold) ให้เป็นวัตถุที่เรียนรู้ได้ โดยแต่ละขั้นตอนการฝึกจะดำเนินไปในสองระยะ คือระยะแรกโมเดลจะเสนอโครงสร้างที่ได้รับการปรับปรุง และระยะที่สองคือใช้โครงสร้างนั้นสร้างผลลัพธ์ของโค้ด รางวัลจะถูกส่งต่อไปยังทั้งสองระยะเพื่อปรับให้โมเดลสามารถเขียนการจัดลำดับงานของตนเองได้ เพื่อป้องกันการเจาะช่องโหว่ของรางวัล DeepReinforce จึงได้ใช้การป้องกันสามชั้น ได้แก่ ขอบเขตความเชื่อถือที่คงที่ ระบบตรวจสอบแบบกำหนดค่าได้ที่คอยแจ้งเตือนการอ่านเส้นทางที่ถูกห้าม และการใช้ LLM judge ที่ถูกแช่แข็งไว้ทำหน้าที่ตัดสิน

เหตุใด Headless Agent จึงสร้างจุดบอดในการวัดผล Attribution

เมื่อเอเจนต์อัตโนมัติดำเนินการปรับแก้โค้ดหลายไฟล์พร้อมกัน ปริมาณการทำธุรกรรมผ่าน API เบื้องหลังจะเพิ่มสูงขึ้น ส่งผลให้เมื่อตระกูล ‘Ornith-1.0’ ประมวลผลเวิร์กโหลดการเขียนโค้ดแบบ headless ข้ามไฟล์ในระดับ repository การเปลี่ยนไปสู่การทำงานเบื้องหลังนี้ได้ก่อให้เกิดวิกฤตการณ์ในการวัดผล Attribution สำหรับทีมพัฒนา ความท้าทายที่เกิดขึ้นทันทีคือการจัดการการเปลี่ยนผ่านข้ามแพลตฟอร์มในขณะที่ยังคงต้องรักษาความถูกต้องของเซสชันผู้ใช้งานไว้

การเปลี่ยนกระบวนทัศน์: เมื่อการทำงานของเอเจนต์เหนือกว่าการกดคีย์บอร์ดของมนุษย์

เอเจนต์แบบโปรแกรมมิ่งทำงานในลักษณะ stateless HTTP client โดยไม่มีการเก็บข้อมูลคุกกี้ที่คงอยู่ ไม่มีการประมวลผลที่ระดับเบราว์เซอร์ และมักจะละทิ้ง Referrer headers ไปโดยสิ้นเชิงระหว่างการกระโดดของข้อมูลแบบอัตโนมัติ ข้อสังเกตต่อไปนี้อ้างอิงจากการตรวจสอบทางวิศวกรรมภายในในสภาพแวดล้อมจำลอง ซึ่งมีจุดประสงค์เพื่อแสดงรูปแบบการทำงานทั่วไปมากกว่าการเป็นมาตรฐานของอุตสาหกรรม ในระหว่างการตรวจสอบติดตามเส้นทาง (routing telemetry) ในเดือนเมษายน 2026 เราได้ตรวจสอบการกลายพันธุ์ของไฟล์ในระดับ repository ประมาณ 165,000 ครั้ง เพื่อดูว่าเอเจนต์การเขียนโค้ดทำงานอย่างไร ฐานข้อมูลบันทึกการทำ Handshake ของคุกกี้ในระดับเบราว์เซอร์ได้ 0 ครั้ง ส่งผลให้การติดตั้งในภายหลังถูกจัดประเภทเป็น Direct Traffic ทั้งหมด การทำงานแบบ stateless นี้ข้ามผ่านตัวกำหนดค่าการติดตามฝั่งไคลเอนต์มาตรฐานเช่น Google Play Install Referrer API รวมถึงขัดขวางการเปลี่ยนเส้นทางในระดับเบราว์เซอร์ที่ iOS SKAdNetwork (SKAN) หรือ Android Privacy Sandbox SDK Runtime จับข้อมูลได้ ดังนั้น เมื่อโฟลว์ที่ขับเคลื่อนด้วยเอเจนต์ทำธุรกรรมสำเร็จผ่าน API เบื้องหลัง โซ่ของ referrer จึงขาดหายไป การติดตั้งจะปรากฏเป็นแหล่งที่มาที่ไม่รู้จัก (Direct) ทำให้เกิดความคลาดเคลื่อนในการวัดผลแคมเปญอย่างมีนัยสำคัญ

Bot Swarms และภัยคุกคามจากการทุจริตในแคมเปญ

โทเค็นราคาประหยัดที่มีประสิทธิภาพสูงสร้างความท้าทายใหม่ๆ ให้กับทีมรักษาความปลอดภัย ในขณะเดียวกัน ส่วนลดโทเค็นนอกช่วงเวลาพีคของ Alibaba ที่ลดราคาถึง 80% ในช่วงนอกเวลาทำการ ส่งผลให้ต้นทุนในการรันสคริปต์เอเจนต์อัตโนมัติในช่วงกลางคืนลดลงอย่างมาก ในระหว่างการตรวจสอบความปลอดภัยทั่วไปจากการคอมมิตโค้ดอัตโนมัติ 38,000 รายการ ทีมของเราได้ระบุกลุ่มสคริปต์ headless ที่คิดเป็นประมาณ 8% ของการติดตั้งทั้งหมด ซึ่งกระจุกตัวอยู่ในช่วงเวลาเพียงสามชั่วโมงเท่านั้น บอทเน็ตเหล่านี้ทำการปลอมแปลงการแจ้งเตือนการติดตั้ง (callbacks) ผ่านโปรแกรม พิสูจน์ให้เห็นว่าการจำกัดอัตราแบบเดิมที่ใช้เกณฑ์ฝั่งไคลเอนต์นั้นไม่เพียงพอ สถานการณ์นี้กำหนดให้นักพัฒนาต้องใช้การยืนยันตัวตนที่เข้มงวดขึ้นในระดับ SDK เพื่อปกป้องงบประมาณด้านการตลาด

การสร้างการบูรณาการ SDK ที่ปลอดภัยสำหรับเอเจนต์อัตโนมัติ

การสร้างความปลอดภัยให้กับเวิร์กโฟลว์ที่ขับเคลื่อนด้วยเอเจนต์จำเป็นต้องมีแนวทางทางวิศวกรรมที่มีโครงสร้าง การป้องกันขั้นพื้นฐานอย่างหนึ่งคือการปรับใช้การตรวจสอบสถานะในระดับอุปกรณ์ นักพัฒนาสามารถใช้สถานะเครื่อง (state machines) เพื่อตรวจสอบลายนิ้วมือของฮาร์ดแวร์ระหว่างการร้องขอเซสชัน เมื่อเอเจนต์เริ่มการทำงาน เซิร์ฟเวอร์จะตรวจสอบสถานะนี้เพื่อยืนยันบริบทของการดำเนินการ และบล็อกการเรียกใช้ที่ไม่ได้รับอนุญาต การรักษาความปลอดภัยให้กับช่องทางการรันงานบนแบ็กเอนด์ในสภาพแวดล้อม Agentic Coding จำเป็นต้องมีการตรวจสอบ Handshake ที่มีโครงสร้างและผ่านการยืนยันทางคริปโตกราฟี

การออกแบบตัวระบุตัวตนแบบ Multi-Agent ที่ปลอดภัย

การแยกสภาพแวดล้อมการทำงานเป็นสิ่งสำคัญเพื่อป้องกันข้อมูลรั่วไหลระหว่างเซสชัน นักพัฒนาสามารถรันเอเจนต์ภายในแซนด์บ็อกซ์ที่สะอาดและชั่วคราวซึ่งจะล้างสถานะในเครื่องทิ้งเมื่อภารกิจเสร็จสิ้น นอกจากนี้ ควรใช้ลายเซ็นดิจิทัลกับพารามิเตอร์ทั้งหมดในระหว่างการรับส่งข้อมูล การลงนามในการเรียกกลับ (callback) ของ URL ทุกครั้งด้วยกุญแจส่วนตัว ช่วยให้วิศวกรระบบมั่นใจได้ว่าสคริปต์ระหว่างทางไม่สามารถแก้ไขข้อมูลได้ จึงเป็นการรักษาความสมบูรณ์ของกระแสข้อมูล การกำหนดค่าที่ปลอดภัยนี้เป็นสถาปัตยกรรมการกรองการจราจรที่ไม่ถูกต้อง (invalid traffic) ที่แข็งแกร่งเพื่อบล็อกความพยายามในการปลอมแปลงอัตโนมัติ

การเสริมความแข็งแกร่งให้กับลายเซ็นดิจิทัลในการใช้งาน SDK

เพื่อหลีกเลี่ยงการเสียเวลาในการพัฒนาโครงสร้างพื้นฐานของสถานะเครื่อง (state-machine) ทีมวิศวกรจึงมักอาศัยการใช้งานมาตรฐานอ้างอิงจากอุตสาหกรรม ในการผลิต ทีมงานสามารถบูรณาการ โครงสร้างการส่งผ่านพารามิเตอร์แอปแบบล่าช้า (deferred app parameter pass-through) เพื่อตรวจสอบลายเซ็นและกู้คืนสถานะโดยอัตโนมัติโดยไม่ต้องจัดการระบบสถานะที่ซับซ้อน การบูรณาการนี้ช่วยให้แอปพลิเคชันสามารถดึงบริบทการอ้างอิงต้นฉบับจากเซิร์ฟเวอร์ที่ปลอดภัยได้ในการเปิดใช้ครั้งแรก การส่งผ่านโทเค็นที่ลงนามด้วยรหัสลับผ่านลูปการติดตั้งช่วยให้แพลตฟอร์มคงสถานะการทำธุรกรรมเดิมไว้ได้ ทำให้มั่นใจได้ถึงการไหลเวียนของข้อมูลที่สอดคล้องกันตลอดวงจรการรับผู้ใช้งานทั้งหมด

การประสานความร่วมมือระหว่างฝ่ายวิศวกรรมและการตลาดในการกู้คืนสถานะ

การปรับใช้เวิร์กโฟลว์สำหรับเอเจนต์อัตโนมัติจำเป็นต้องมีการประสานงานอย่างใกล้ชิดระหว่างฝ่ายเทคนิคและฝ่ายการตลาด ทีมวิศวกรรมต้องมุ่งเน้นไปที่การกำหนดตัวระบุเฉพาะให้เป็นมาตรฐานและตรวจสอบให้แน่ใจว่า SDK เข้ากันได้ นอกจากนี้ นักพัฒนายังต้องจัดการ Bundle ID ข้ามการใช้งานแบบหลายผู้เช่า (multi-tenant) เพื่อป้องกันความขัดแย้งในการกำหนดเส้นทางในสโตร์ระดับภูมิภาค ในขณะเดียวกัน สถาปนิกจะต้องใช้การตรวจสอบลายเซ็นที่ปลอดภัยสำหรับทั้งแพลตฟอร์ม iOS และ Android เพื่อป้องกันการดัดแปลง Deep Link

ข้อพิจารณาทางเทคนิคสำหรับนักพัฒนาและสถาปนิก

สถาปนิกต้องมั่นใจว่า custom URL schemes, universal links และ app links ได้รับการตรวจสอบในระดับเกตเวย์ การกำหนดค่านี้ช่วยป้องกันไม่ให้สคริปต์ที่เป็นอันตรายเข้ามาแทรกแซงการกำหนดเส้นทางในระหว่างการเปลี่ยนผ่านจากเว็บสู่แอป (web-to-app) การบังคับใช้การตรวจสอบลายเซ็นช่วยให้ทีมสามารถปกป้องไปป์ไลน์ข้อมูลปลายทางและรักษาบันทึกข้อมูลที่สะอาดในระบบโดยใช้ สถาปัตยกรรม Universal Linking ที่เป็นมาตรฐาน

กลยุทธ์การเติบโตและการรับผู้ใช้งานภายใต้สภาวะเงินฝืด

ทีมเติบโต (Growth team) ต้องปรับการวิเคราะห์ของตนโดยเน้นการวิเคราะห์กลุ่มผู้ใช้ (cohort analysis) และตัวชี้วัดการรักษาผู้ใช้ระยะยาวแทนที่จะดูเพียงเหตุการณ์การคลิกครั้งเดียว การบูรณาการ เครื่องมือวัดผล Attribution เชิงกำหนดหลายช่องทาง ช่วยให้สามารถสร้างขั้นตอนการต้อนรับผู้ใช้งาน (onboarding flows) แบบเฉพาะบุคคลที่รักษาเจตจำนงของผู้ใช้ไว้ได้ เมื่อมีการอ้างอิงเกิดขึ้น ระบบสามารถให้ข้อมูลการเปลี่ยนผ่านโดยอัตโนมัติโดยไม่จำเป็นต้องกรอกข้อมูลด้วยตนเอง แนวทางนี้ช่วยเพิ่มความแม่นยำในการคำนวณผลตอบแทนจากงบการตลาด (ROAS) และช่วยกรองทราฟฟิกที่ไม่ถูกต้องที่สร้างโดยเอเจนต์ออกไป