Orchard: een open raamwerk voor schaalbare agentische AI

Microsoft Research heeft Orchard uitgebracht, een open-sourceframework voor schaalbaar en kosteneffectief agentic AI-onderzoek. De kern ervan is Orchard Env, een op Kubernetes gebaseerde omgevingsservice die herbruikbare geïsoleerde componenten biedt voor het trainen en evalueren van agents in verschillende taakdomeinen. Het framework ondersteunt software-engineering-, webnavigatie- en persoonlijke-assistent-agents en kan deze direct trainen in echte implementatieomgevingen zoals Codex, OpenClaw en ZeroClaw. Het project introduceert drie trainingsrecepten: Orchard-SWE, Orchard-GUI en Orchard-Claw. Voor software-engineering gebruikt Orchard-SWE 107.000 gedistilleerde agentinteracties van MiniMax-M2.5 en Qwen3.5-397B, met credit-assignment supervised fine-tuning en reinforcement learning, en bereikt hiermee 69,7% op SWE-bench Verified (73,0% met value-model herrankering) met slechts ongeveer 3 miljard actieve parameters. Voor webnavigatie traint Orchard-GUI een vision-taalmodel van 4 miljard parameters met beperkte supervisie (400 demonstraties en 2.200 taken), en behaalt een gemiddelde van 68,4% op WebVoyager, Online-Mind2Web en DeepShop. Voor persoonlijke assistentie bereikt Orchard-Claw, getraind op 200 synthetische taken in meerdere omgevingen, 59,6% op Claw-Eval (73,9% met ZeroClaw). Het framework heeft als doel onderzoekskosten te verlagen door open infrastructuur te bieden, en de auteurs benadrukken data-efficiëntie en cumulatief agentleren als toekomstige richtingen. Alle trainingsdata en evaluatiemethoden worden vrijgegeven aan de community.