第30期

2026-07-19

一.程式貓科技週刊回歸啦!

作者:Lhs

在五月時，由於專案主持人私人事務，沒有辦法繼續經營這項專案，導致科技週刊沒辦法順利進行，而現在，由於專案主持人回歸，科技週刊也順利回來啦!

程式貓科技週刊是為了讓科技新知以更容易親近的方式，出現在大眾視野而創立的專案，內容包括AI介紹、電腦工具教學、各大廠新機型介紹等，未來也預計會撰寫更多簡易教學、新知介紹等內容的文章，還請各為持續關注。

接下來科技週刊將會以二週一期，一期三篇的形式持續推出，如果各位有什麼想看的題材，也歡迎在各貼文底下留言，或者私訊給我們喔!

圖片

二.想在台灣擁有屬於自己的土地嗎？《台域戰策》第一賽季迎來大改版！

作者:玥楓

如果你最近有在玩線上佔地遊戲，那你一定不能錯過《台域戰策》這款由玩家社群自製、目前更新全新賽季的台灣風佔地策略遊戲。這幾週遊戲團隊沒有閒著，花類大把精力上線 v1.5.0 的全新版本，從商店系統、效能優化到大家最期待的「聊天室」，通通一次到位。這篇週刊就帶大家快速掃過這波更新，順便偷偷拆解一下聊天室背後的小秘密。

圖片

圖:Takasago’s War 台域戰策 首頁

商店大改造：寶石登場

過去玩家在遊戲裡只能靠「金幣」買東西，這次更新直接加開第二條產線——「寶石」。寶石能夠透過付費取得，也可以在解鎖成就和參與活動拿到，可以在全新改版的「寶石商店」裡換購限定道具，商店裡的品項也一口氣擴充了不少。值得一提的是，遊戲背後的金流服務也悄悄換成了台灣在地的 Recur，對玩家來說感受不到差異，但對開發者而言等於是把引擎換了一顆，未來在台灣的金流串接會更順手。

戰局更公平：陣營金幣獎勵微調

眼尖的玩家可能會發現，攻占土地拿到的金幣獎勵這次跟「陣營」掛勾了——簡單來說過去不論是敵人還是盟友都給予固定的金幣數量，會導致部分活躍玩家擁有「無限體力」問題，現在攻擊敵人獲得的獎勵更加剛好，不僅保留戰術運用空間也能適度休息，不用被激進的敵人不斷騷擾。同一批更新裡，隊伍顯示也從冷冰冰的代號，換成了看得懂的「聯盟名稱」，排行榜跟大頭貼顯示的小 bug 也一併修掉了。

技術揭密：聊天室是怎麼「即時」的？

這次更新裡最多人詢問的功能，就是右下角新增的那顆聊天泡泡按鈕。點開之後，就是一個所有玩家共用的「全區聊天室」。看起來很簡單對吧？但一個聊天室要做到「你打字、對方馬上看到」，其實背後藏著兩套系統在合作，通過訪問台域戰策背後技術團隊後，用簡單易懂的舉例向大家說明。

第一套系統

是「聯絡簿」。 你在聊天室打的每一句話，第一時間會先送到伺服器，寫進資料庫裡存起來，就像老師要求每個人都要把聯絡事項抄進聯絡簿一樣——就算你手機沒開、電腦關機，這句話也不會不見，下次打開遊戲，歷史訊息還是讀得到。

第二套系統

是真正「即時」的關鍵，叫做 Socket（可以想成廣播喇叭）。 一般網頁如果要看新資料，得自己按「重新整理」，或是每隔幾秒偷偷問伺服器一次「有新的嗎？有新的嗎？」，這樣既浪費資源、又不夠即時。《台域戰策》用的做法是反過來：伺服器跟每個玩家的電腦之間，先牽一條「電話線」保持連線，一旦有人發言，就直接用這條線「廣播」給所有正在連線的人，完全不用等你去問。這就是為什麼你會看到訊息幾乎是「秒讀秒回」，而不是隔個幾秒才慢慢跳出來。

所以完整流程其實是：你按下送出 →訊息先存進「聯絡簿」（資料庫）確保不會遺失 → 同時透過「廣播喇叭」（Socket）瞬間送到所有人畫面上。兩套系統各司其職，一個負責「記得住」，一個負責「傳得快」，合起來才有現在這種絲滑的聊天體驗。開發團隊還貼心加了「未讀紅點」，你沒點開聊天室時，新訊息一樣會在按鈕右上角默默累積數字提醒你，不會漏接任何一句話。

圖片

圖:Claude / Gemini 產生，編輯校正

從佔地到社交，台域戰策成為一個小社會 從最早單純比誰佔的地多，到現在有商店、有陣營博弈、還有即時聊天室可以互相吵架交流，《台域戰策》這款以台灣為基礎的土地遊戲，正在一步步長成一個有血有肉的線上小社會。下一步會不會出現成就系統、限時任務，都值得我們繼續期待。如果你身邊剛好有人在玩，不妨也點開聊天室打聲招呼，說不定跟你戰鬥過的玩家，現在也正在看這篇週刊呢！

資料來源 https://tsw.codecat.tw/

https://docs.codecat.tw/takasagos-war

https://docs.codecat.tw/takasagos-war/version

團隊旗下遊戲台域戰策已於近日完成第一賽季版本更新

認識 Ornith-1.0：會自己設計工作流程的開源程式碼模型

作者:KH

圖片

一、它是什麼

Ornith-1.0 是一個 2026 年 6 月由 AI 研究團隊 DeepReinforce 開源釋出的大型語言模型（LLM），專門用來做「agentic coding」——也就是不只是幫你寫一段程式碼，而是自主完成整個軟體工程任務：讀懂一個完整的專案、在終端機執行指令、呼叫各種工具、除錯、反覆修補程式碼，直到任務完成。

它不是一個聊天機器人，也不是一個現成的 App。你拿到的是「模型權重」，需要自己用 vLLM、SGLang、Ollama 或 LM Studio 之類的推論引擎跑起來，再接上一個 agent 框架（例如 OpenHands）才能使用。

名稱「Ornith」來自希臘文的「鳥」。這點值得先說清楚：它跟仿生撲翼機器人（會拍翅膀飛的無人機）完全無關，純粹是取名字用了鳥的字根，兩者不要混淆。

二、家族與規格

Ornith-1.0 一次發布四種尺寸，方便不同硬體條件的人使用：

| 版本 | 類型 | 基座模型 | 適合場景 | |---|---|---|---| | 9B Dense | 稠密模型 | Qwen 3.5 | 單張消費級 GPU、筆電本地跑 | | 31B Dense | 稠密模型 | Gemma 4 | （官方宣稱但社群反映權重一度未上架）| | 35B MoE | 混合專家 | Qwen 3.5 | 效能/資源平衡點，每個 token 只啟動約 3B 參數 | | 397B MoE | 混合專家 | Qwen 3.5 | 旗艦版，需 8 張 80GB GPU 級別的部署 |

所有版本的 context window 都是 262,144（約 26 萬）tokens，回覆時會先產生一段 <think>...</think> 的思考過程，再給最終答案，並且能發出結構化的工具呼叫（tool call）。

三、核心創新：「自我學習」到底在學什麼

這是最容易被誤解的地方，先講結論：Ornith 的「自我學習」發生在訓練階段，不是你使用時它會邊用邊變聰明。你下載到的權重是固定的，跟其他 LLM 一樣。

那麼它「自我學習」的到底是什麼？答案是：它學會了怎麼幫自己設計解題的工作流程（scaffold），這個技術被稱為 Self-Scaffolding（自我搭建鷹架）。

3.1 先理解問題：傳統做法的侷限

一般要讓 LLM 去做 agentic coding，工程師會先手動寫一套固定流程（scaffold / harness），大概長這樣：

拿到任務 → 產生程式碼 → 執行測試 → 如果失敗就重試 → 回傳答案

這套流程對所有任務都是同一套。問題是：不同類型的任務其實需要不同的做事方式。修一個小 bug 跟重構一個大型系統，該做的步驟、該記住的資訊、該重試幾次，理論上都不一樣。但傳統做法裡這套流程是寫死的，模型只能在這個框架裡填空,而流程本身要靠人工不斷調整。

3.2 Self-Scaffolding 的做法

Ornith 訓練時，把「流程本身」也變成模型可以學習、可以自己產生的東西。具體來說，每一輪強化學習（RL）分成兩個階段：

第一階段：模型看到「這個任務」加上「上一次用過的流程」，先產生一個改良版的流程（scaffold）——包括要推理幾步、什麼時候該呼叫工具、要怎麼組織記憶、遇到錯誤要怎麼處理、要重試幾次。

第二階段：模型依照剛剛自己設計的流程，實際去解這個任務，產生完整的執行過程（rollout）。

解題結果的好壞（reward）會同時回饋給這兩個階段——不只教模型「這題該怎麼解」，也教它「用什麼樣的做事方法容易解出來」。訓練反覆進行下去，好的流程設計會被保留、效果差的會被淘汰，不同類型任務會自然演化出不同的應對策略，不再需要工程師手動硬寫規則。

打個比方（若你想跳過比喻可略過本句）：這比較像是模型在訓練過程中一邊做題目、一邊自己整理出「不同題型該怎麼準備」的方法論，而不是死記一套固定的解題公式。

3.3 防止「作弊」的三道防線

自己設計流程有個風險：模型可能學會用取巧的方式騙過驗證機制，而不是真的解決問題（例如偷看測試檔案內容、直接抄答案）。DeepReinforce 過去在其他專案（CUDA-L1）就真的遇過模型學會作弊，所以 Ornith 設計了三層防護：

  1. 固定的外層邊界：環境、工具介面、測試隔離機制都是模型碰不到、改不了的，模型只能設計「內層」的流程邏輯。
  2. 自動化監控器：偵測讀取隱藏檔案、竄改驗證腳本等行為，一旦發現，該次訓練直接判定失敗，不算分。
  3. 獨立的 AI 評審：作為最後一道把關,抓取那些「表面上守規矩,但意圖上取巧」的行為。

四、實際表現如何

DeepReinforce 官方公布的測試分數不錯：旗艦版 397B 在 Terminal-Bench 2.1 拿到 77.5 分、SWE-Bench Verified 拿到 82.4 分，超過 Claude Opus 4.7，但仍略遜於 Claude Opus 4.8。而 35B MoE 版本則宣稱以十分之一的參數量,在部分測試上打贏了參數量更大的其他開源模型。

但這裡要提醒一個重要保留：這些分數目前全部是官方自己公布的，還沒有任何第三方獨立實驗室重新測出同樣的成績，模型也不在官方公開的排行榜上，也還沒有正式的技術論文可供查證。社群實測反應兩極——有人稱讚它能穩定地連續呼叫工具完成任務，也有人反映長時間使用會陷入重複迴圈、或在沒有工具輔助的純聊天情境下容易產生幻覺（部分問題後來發現是模型部署設定檔錯誤所致，修正後表現改善不少）。

簡單說：這是一個值得關注、方向頗有原創性的開源模型,但目前的能力數字還處於「廠商自己說的」階段,拿來實際用之前,建議先在自己的專案上小規模測試看看,再決定要不要正式導入。

五、如果想試用

  • 9B Dense：約 19GB（bf16），4-bit 量化後約 6GB，單張消費級 GPU 或高階筆電可跑，適合當本地離線的程式碼助手。
  • 35B MoE：多數人建議的甜蜜點,量化後約 25GB,24GB 以上顯示卡可行,實際回應速度因為 MoE 架構反而比 9B 更快。
  • 397B MoE：企業級部署等級,需要多張高階 GPU。

部署時記得確認使用正確的 chat template 與工具呼叫解析設定,官方文件建議一般使用時 temperature 設 0.6、top_p 設 0.95。

本文整理自 2026 年 7 月的公開資料,包含 DeepReinforce 官方發布內容、Hugging Face model card、以及社群實測討論(如 Simon Willison 部落格、Hacker News 討論串)。由於模型發布時間較新,部分細節與效能數字仍待更多第三方驗證,建議持續關注後續是否有獨立複現結果與正式論文釋出。

資料來源

  • DeepReinforce 官方發布文章:Ornith-1.0: Self-Scaffolding LLMs for Agentic Coding https://deep-reinforce.com/ornith_1_0.html
  • Ornith 官方網站 https://ornith.site/
  • Ornith 官方 FAQ https://ornith.site/faq/
  • Ornith 官方 Benchmark 頁面 https://ornith.site/benchmarks/
  • Hugging Face 模型頁(9B) https://huggingface.co/deepreinforce-ai/Ornith-1.0-9B
  • Hugging Face 模型頁(397B-FP8) https://huggingface.co/deepreinforce-ai/Ornith-1.0-397B-FP8
  • GitHub Repo https://github.com/deepreinforce-ai/Ornith-1
  • Simon Willison 部落格實測心得(2026/6/29) https://simonwillison.net/2026/Jun/29/ornith/
  • MarkTechPost 技術報導:DeepReinforce Releases Ornith-1.0 https://www.marktechpost.com/2026/06/25/deepreinforce-releases-ornith-1-0-an-open-source-coding-model-family-that-learns-its-own-rl-scaffolds/
  • Tech Times 報導:Open-Source Coding Model Ornith-1.0 Writes Its Own Training Scaffold https://www.techtimes.com/articles/319122/20260626/open-source-coding-model-ornith-10-writes-its-own-training-scaffold-reinforcement-learning.htm
  • CodeConductor 深度解析:Self-Scaffolding LLMs Are Rewriting Agentic Coding https://codeconductor.ai/blog/self-scaffolding-ai-models-ornith-1-0/
  • rotecodefraktion 部落格:When the Model Writes Its Own Scaffold https://www.rotecodefraktion.de/en/blog/ornith-1-0-self-scaffolding/
  • essamamdani 部落格:The Self-Scaffolding LLM That Teaches Itself to Code Better https://essamamdani.com/blog/ornith-1-0-self-scaffolding-llm-coding-2026
  • DeepReinforce 前作 CUDA-L1 論文(作弊問題的背景脈絡): https://arxiv.org/abs/2507.14111
  • DeepReinforce 前作 GrandCode 論文: https://arxiv.org/abs/2604.02721
  • SWE-Bench Verified 可信度討論延伸閱讀:
  • SWE-ABS(arXiv:2603.00520)、Are "Solved Issues" in SWE-bench Really Solved Correctly?(arXiv:2503.15223)