разработки программного обеспечения, навигации в интернете и персональных ассистентов, а также позволяет обучать их непосредственно внутри реальных сред развертывания, таких как Codex, OpenClaw и ZeroClaw. Проект представляет три рецепта обучения: Orchard-SWE, Orchard-GUI и Orchard-Claw. Для разработки программного обеспечения Orchard-SWE использует 107 тысяч размеченных взаимодействий агентов, полученных от моделей MiniMax-M2.5 и Qwen3.5-397B, с применением контролируемой точной настройки с присвоением кредитов и обучения с подкреплением, достигая 69,7% на бенчмарке SWE-bench Verified (73,0% с переранжированием с помощью модели ценности) при использовании всего около 3 миллиардов активных параметров. Для навигации в интернете Orchard-GUI обучает визуально-языковую модель с 4 миллиардами параметров при ограниченном supervision (400 демонстраций и 2200 задач), достигая в среднем 68,4% на тестах WebVoyager, Online-Mind2Web и DeepShop. Для персонального ассистента Orchard-Claw, обученный на 200 синтетических задачах в нескольких средах, достигает 59,6% на Claw-Eval (73,9% с ZeroClaw). Фреймворк нацелен на снижение исследовательских затрат за счет предоставления открытой инфраструктуры, а авторы выделяют эффективность использования данных и кумулятивное обучение агентов как будущие направления. Все обучающие данные и методы оценки выпущены для сообщества.