開場白

Hacker News 150 分、67 則討論，有人真的把《黑色行動 II》三支 32 位元 Windows 執行檔靜態重編譯成 ARM64 原生碼，M1 實測 51 到 60 FPS，完全沒用 Wine、Rosetta 2、JIT；等一下告訴你它怎麼把複製保護機制丟給 Unicorn 解譯器逐指令跑，還有用 190 行純 JAX 完整實作 DeepSeek-V3 架構的教學級專案。

今日開源好物

1. bo2-mac：靜態重編譯讓《黑色行動 II》在 Apple Silicon 原生跑

• 它是什麼: 針對《使命召喚：黑色行動 II》三支執行檔（戰役、殭屍、多人）做靜態重編譯，把 x86-32 機器碼在編譯期翻成 ARM64 原生碼，自寫 Win32 runtime 把 Direct3D 11 轉 Metal、XAudio2 接 CoreAudio、影片用 libvpx 解碼，完全不仰賴 Wine、Rosetta 2、JIT，M1 實測三種模式皆 50 幀以上
• 近期聲量: Hacker News 150 分、67 則討論，GitHub 252 顆星，授權 GPL-3.0
• 亮點功能: 複製保護機制不繞過改用 Unicorn x86 解譯器逐指令執行、翻譯漏洞掉落同樣解譯器跑完再回原生碼、DXBC 著色器經 HLSLcc 轉 Metal、客體記憶體單一 4 GiB 映射、執行緒以協程起步再移到真執行緒並加記憶體屏障
• 快速上手: 需 Apple Silicon Mac、macOS 14+、20 GB 空間、Homebrew、已登入擁有遊戲的 Steam；git clone https://github.com/adrbn/bo2-mac.git && cd bo2-mac && brew install llvm@17 cmake ninja libvpx unicorn && pip3 install capstone && scripts/make_app.sh --from-source，約 1 小時 45 分鐘完成，戰役約 45 分鐘即可玩
• 跟同類比: 不同於 CrossOver、Whisky、Parallels（執行階段翻譯 x86→ARM）、DXVK、DXMT（Wine 上的 D3D11→Vulkan/Metal），本專案編譯期一次翻譯成原生 ARM64、完全無 Wine、自製 32 位元客體記憶體上的 D3D11→Metal 層
• 適合誰: 想在 Apple Silicon 原生玩《黑色行動 II》的玩家、研究靜態重編譯、編譯器、圖形、逆向工程的工程師
• 連結: https://github.com/adrbn/bo2-mac

2. deepseek-v3-jax：190 行純 JAX 完整實作 DeepSeek-V3 架構

• 它是什麼: 用 190 行非空非註解的純 JAX 程式碼完整實作 DeepSeek-V3 架構，包含 Multi-head Latent Attention（快取從 480 降至 144 數/token/layer）、Decoupled RoPE、1 shared + 16 routed experts（top-4）、aux-loss-free bias 平衡、序列層級 balance loss、Multi-token prediction（λ=0.3），參數為純 dict、所有模組皆為可由上往下讀完的函式
• 近期聲量: Hacker News 237 分、23 則討論，GitHub 167 顆星，授權 MIT
• 亮點功能: 核心模型 deepseek_v3.py 僅 190 行、bf16 運算配 f32 master weights、預先填充與解碼共用 MLA 快取、附 39 個測試（因果遮罩、快取一致性、routing、balancing、MTP target、NaN 處理、bf16 master weights）、MacBook Air 即可從頭訓練
• 快速上手: Apple Silicon Mac + Python 3.12 + uv；git clone https://github.com/Vaibhaav-Tiwari/deepseek-v3-jax.git && cd deepseek-v3-jax && uv venv -p 3.12 .venv && uv pip install --python .venv/bin/python -r requirements.txt && JAX_PLATFORMS=cpu .venv/bin/pytest tests.py -q 驗證 39 測試通過，下載釋出的 ckpt.pkl、tokenizer.json 後 .venv/bin/python sample.py --prompt "The fog came in off the" --num 3 即可生成
• 跟同類比: 不同於 nanoGPT、minGPT（教學用密集 Transformer）、Hugging Face Transformers（生產級但抽象層厚）、mlx-examples（Apple MLX 專用），本專案以最小依賴（純 JAX、無 Flax/Equinox/PyTorch）完整呈現 DeepSeek-V3 獨有的 MLA、MoE 平衡機制與 MTP，適合架構研究而非生產推理
• 適合誰: 想深入理解新一代 LLM 架構（MLA、MoE 平衡、MTP）的機器學習工程師
• 連結: https://github.com/Vaibhaav-Tiwari/deepseek-v3-jax

結尾段落

今天這兩個專案都在用「最小依賴、最大透明度」把極難的系統問題拆解給工程師看：bo2-mac 把 32 位元 Windows 遊戲整個編譯成 ARM64 原生碼，deepseek-v3-jax 用 190 行 JAX 把 671B 參數模型的核心架構講清楚。如果你想看真正的系統工程怎麼在沒有原始碼、沒有文件的情況下硬啃硬體抽象層，bo2-mac 的 Findings 十三條絕對值得細讀。明天再見。