Microsoft otwiera Orchard: szklarnia do trenowania agentów, nie kolejny orkiestrator

Microsoft Research opublikował Orchard, open-source framework do skalowalnego treningu modeli agentycznych. Stawka to warstwa środowiska, nie kolejny multi-agent orkiestrator.

Orchard Env oddziela sandboxy od harnessów i stacków treningowych

W centrum stoi Orchard Env: usługa Kubernetes, która zarządza izolowanymi sandboxami do zbierania trajektorii, rolloutów reinforcement learning i ewaluacji w różnych domenach. Ta sama warstwa ma działać z prawdziwymi harnessami jak Codex, OpenClaw czy ZeroClaw, a nie tylko z laboratoryjnym stubem.

Zespół oddaje trzy receptury treningowe oraz dane. Orchard-SWE trenuje agentów software engineering i według bloga osiąga 69,7 % na SWE-bench Verified (do 73 % z value-model rerankingiem) przy około 3 miliardach aktywnych parametrów. Orchard-GUI to 4B vision-language agent webowy ze średnią 68,4 % na WebVoyager, Online-Mind2Web i DeepShop. Orchard-Claw celuje w asystentów osobistych i na Claw-Eval podaje 59,6 % pass@3, a z harnessem ZeroClaw 73,9 %.

Kod jest na GitHubie (microsoft/Orchard), datasety na Hugging Face. Orchard Env ma według autorów utrzymać test obciążeniowy na 1000 sandboxów i średnią latencję polecenia około 0,28 s.

Wspólna warstwa środowiska ma uczynić badania agentyczne wielokrotnego użytku

Otwarte badania wciąż uderzają w twardą ścianę: najlepsze systemy agentyczne często stoją na własnościowych sandboxach, zamkniętych pipeline'ach i datasetach, których obcy nie odtworzą. Frameworki orkiestracji składają agenta. Orchard twierdzi, że głębszym wąskim gardłem jest środowisko runtime, w którym agent naprawdę działa, pada i dostaje nagrodę.

Dla badaczy i małych labów zmienia to ekonomię eksperymentu. Jedna usługa ma obsłużyć coding, przeglądarkę i workflow produktywności. Trajektorie zebrane pod jednym harnessem powinny dać się ewaluować i trenować pod innym. Orchard-SWE uczy się też z produktywnych fragmentów nieudanych przebiegów (credit-assignment SFT), co lepiej wykorzystuje drogie rollouty.

Dla zespołów budujących wewnętrznych agentów kodujących sygnał jest praktyczny: jeśli chcesz trenować model wewnątrz harnessu wdrożeniowego, a nie na uproszczonej atrapie, potrzebujesz właśnie oddzielonej warstwy środowiska. Inaczej wyniki z labu i zachowanie w produkcji rozjeżdżają się systemowo.

Mocne wyniki wciąż siedzą na vendorowych benchach i realiach Kubernetesa

Wyniki na SWE-bench i benchach webowych są agresywne i warte uwagi, ale na razie to przede wszystkim self-report Microsoft Research. Niezależna reprodukcja, koszt klastra i wrażliwość na harness nie są jeszcze publicznie przetestowane w tej samej skali co wykres z ogłoszenia.

Orchard Env jest natywny dla Kubernetesa. To pasuje do labu z istniejącym klastrem. Dla solo developera albo małego startupu może stać się limitem operacyjnym wcześniej niż limitem badawczym. Silny wynik 4B GUI agenta na wybranych benchach nie oznacza też automatycznie odpornego computer-use w dowolnej aplikacji enterprise z shadow DOM, SSO i kapryśnym UI.

O adopcji poza Microsoftem zdecyduje obca reprodukcja i koszt sandboxów

Patrz na trzy sygnały. Po pierwsze, czy Orchard Env pojawia się w paperach spoza MSR i w publicznych runach treningowych. Po drugie, czy ktoś otwarcie policzy realny koszt tysiąca sandboxów względem E2B, Modala i domowych farm Dockerowych. Po trzecie, czy receptury przenoszą wynik poza oficjalne harnessy i oficjalne zestawy ewaluacyjne.

Jeśli to się utrzyma, Orchard może przesunąć open research agentyczny od składania promptów do prawdziwego treningu polityk. Jeśli nie, zostanie starannie opakowanym showcasem MSR z mocnymi wykresami.

Werdykt Lilith

Orchard nie sprzedaje mądrzejszego chatbota. Buduje szklarnię z tysiącem doniczek, w której mniejszy model open może przećwiczyć pracę w prawdziwym harnessie, zanim puścisz go na produkcyjne repo.