أصدرت شركة Microsoft Research برنامج Orchard، وهو إطار عمل مفتوح المصدر لبناء وتدريب وتقييم عملاء الذكاء الاصطناعي المستقلين، والذي تقول الشركة إنه يسمح لنماذج صغيرة نسبيًا ذات الوزن المفتوح بالاقتراب من أداء الأنظمة الحدودية بأكثر من عشرة أضعاف حجمها. يعد المشروع، الذي تم تفصيله في منشور بالمدونة بتاريخ 3 أغسطس 2026، هو العرض الأكثر طموحًا للشركة حتى الآن لمنح مجتمع البحث الأوسع نوع البنية التحتية التي ظلت، حتى الآن، مغلقة إلى حد كبير داخل المختبرات الخاصة.

يأتي الإصدار مع تحول صناعة الذكاء الاصطناعي من الإجابة الثابتة على الأسئلة إلى الوكلاء الذين يمكنهم التخطيط والتفكير والتصرف عبر بيئات متعددة الخطوات. لمزيد من المعلومات حول كيفية تحرك المجال نحو الأنظمة الذاتية، راجع [أحدث تغطية لصناعة الذكاء الاصطناعي] (https://aibuzzwire.news).

ما هو "أوركارد" في الواقع

في قلب المشروع توجد Orchard Env، وهي خدمة بيئة خفيفة الوزن تعتمد على Kubernetes وتوفر مكونات معزولة وقابلة لإعادة الاستخدام لتشغيل الوكلاء على نطاق واسع. وفقًا لمايكروسوفت، يمكن للخدمة نفسها دعم وكلاء هندسة البرمجيات، ووكلاء تصفح الويب، ووكلاء المساعدين الشخصيين دون تعديل. فهو يتعامل مع كل شيء بدءًا من جمع بيانات التدريب وحتى عمليات نشر التعلم المعزز وتقييمه.

القرار المعماري الرئيسي هو أن يتم التعامل مع بيئة التشغيل كخدمة مستقلة وقابلة لإعادة الاستخدام بدلاً من البنية التحتية المضمنة داخل إطار تدريب محدد. نظرًا لأن Orchard Env موجود على Kubernetes، فيمكنه إنشاء آلاف الحاويات المعزولة وإدارتها وإزالتها بالتوازي. يمكن للفرق تقديم معايير جديدة أو أنظمة وكيل أو خوارزميات تدريب دون إعادة بناء البنية التحتية الأساسية من الصفر.

التدريب داخل أحزمة حقيقية

إحدى ميزات Orchard المميزة هي قدرتها على تدريب الوكلاء مباشرةً داخل أدوات النشر التي سيستخدمونها فعليًا في الإنتاج. نادرًا ما يعمل العملاء الأكثر قدرة اليوم كنموذج مجرد. وهي تعمل من خلال أدوات متطورة مثل Codex وOpenClaw وZeroClaw التي تدير التفكير متعدد المنعطفات واستخدام الأدوات والاتصال بالأنظمة الخارجية.

لا تستطيع أدوات التدريب المفتوحة عادة التعامل مع هذه الأدوات متعددة العمليات، مما يجبر الباحثين على التدريب على بديل مبسط ثم النشر في البيئة الحقيقية، مما يخلق عدم تطابق بين التدريب والنشر. يقوم Orchard بسد هذه الفجوة: يقوم وكيل خفيف الوزن بتسجيل استدعاءات النموذج الخاص بالأداة كبيانات تدريب بينما يتم تشغيل كل عملية إطلاق في حاويتها الخاصة، مما يسمح للوكيل بالتدريب بشكل شامل مباشرة في الأداة التي سيستخدمها في الإنتاج.

ثلاث وصفات خاصة بالمجال

لتوضيح هذا النهج، أصدرت Microsoft ثلاثة مسارات عمل تدريبية.

Orchard-SWE: هندسة البرمجيات

تستهدف Orchard-SWE أحد الإعدادات الأكثر تطلبًا للوكلاء المستقلين: التفكير متعدد الخطوات عبر قواعد التعليمات البرمجية الحقيقية. تم إنشاؤه باستخدام إطار عمل Mini-SWE-Agent وتم تقييمه على أساس SWE-bench Verified، وهو معيار يختبر قدرة النموذج على التنقل وتشخيص وإصلاح قواعد التعليمات البرمجية في العالم الحقيقي.

لتدريب النظام، قامت Microsoft بتقطير 107000 تفاعل للوكلاء من نموذجين متقدمين مفتوحي الوزن، MiniMax-M2.5 وQwen3.5-397B، يغطيان نطاقًا واسعًا من مشكلات GitHub. باستخدام تقنية تسمى الضبط الدقيق لتخصيص الاعتمادات، يتعلم النظام من الأجزاء الإنتاجية للمحاولات الجزئية بدلاً من التخلص منها بالكامل.

تنقل النتائج النموذج من خط الأساس بنسبة 61.4% في اختبار SWE-bench الذي تم التحقق منه إلى 69.1% مع التعلم المعزز، و69.7% مع تقنيات المكافأة الكثيفة. ومع إعادة ترتيب نموذج القيمة، يصل الرقم إلى 73.0% - وهي حالة جديدة من التقدم بين النماذج مفتوحة المصدر ذات الحجم المماثل، باستخدام حوالي 3 مليار معلمة نشطة فقط.

Orchard-GUI: التنقل عبر الويب

تقوم Orchard-GUI بتدريب نموذج لغة رؤية مكون من 4 مليارات معلمة كوكيل متصفح. على الرغم من استخدام قدر صغير نسبيًا من الإشراف - 400 عرض توضيحي مقطر مع 2200 مهمة تدريبية مفتوحة - حقق النموذج 74.1% على WebVoyager، و67.0% على Online-Mind2Web، و64.0% على DeepShop، بمتوسط ​​68.4%. وتقول مايكروسوفت إن هذه النتائج تضعها بين أقوى وكلاء الويب مفتوحة المصدر حتى الآن.

Orchard-Claw: مهام المساعد الشخصي

يركز Orchard-Claw على مهام الإنتاجية اليومية مثل قراءة رسائل البريد الإلكتروني وصياغتها وإدارة التقويمات والبحث عن المعلومات. تم تدريبه على 200 مهمة اصطناعية فقط وتم تقييمه وفقًا لمعيار Claw-Eval، وقد أكمل 59.6% من المهام في ما يصل إلى ثلاث محاولات، وارتفع إلى 73.9% عند إقرانه بنظام وكيل ZeroClaw الأقوى.

سبب أهمية نتائج النماذج الصغيرة

تعتبر الأرقام المعيارية جديرة بالملاحظة لأنها تأتي من نماذج تحتوي على ما يقرب من 3 إلى 4 مليارات من المعلمات النشطة - وهي أصغر بكثير من الأنظمة الرائدة من OpenAI، وAnthropic، وGoogle التي تهيمن على قوائم المتصدرين. وتتلخص حجة ميكروسوفت في أن البنية الأساسية وبيئة التدريب المناسبة من الممكن أن تسد قدراً كبيراً من الفجوة، مما يجعل الأنظمة الوكيلة القادرة في متناول الباحثين والمنظمات التي لا تستطيع تحمل تكاليف تدريب أو تشغيل أكبر النماذج المملوكة.

إلى جانب النماذج وسير العمل، أصدرت Microsoft بيانات التدريب وطرق التقييم المستخدمة في بنائها، مع الهدف المعلن المتمثل في مساعدة مجتمع البحث الأوسع على بناء ودراسة الأنظمة الوكيلة المفتوحة. أشرف على هذا العمل باولين بينغ، ووينلين ياو، وكيانهوي وو، وهاو تشينج، وجيانفينج جاو من أبحاث مايكروسوفت.

ابق في صدارة الذكاء الاصطناعي

يشير إصدار Microsoft Orchard إلى أن البنية التحتية وراء الذكاء الاصطناعي الوكيل الحدودي بدأت في التحول إلى الديمقراطية. اقرأ المزيد أخبار الذكاء الاصطناعي العاجلة واقرأ المزيد من أخبار الذكاء الاصطناعي →