Microsoft Research, şirketin nispeten küçük açık ağırlıklı modellerin, boyutlarının on katından daha fazla sınır sistemlerinin performansına yaklaşmasına izin verdiğini söylediği otonom yapay zeka aracılarını oluşturmak, eğitmek ve değerlendirmek için açık kaynaklı bir çerçeve olan Orchard'ı piyasaya sürdü. 3 Ağustos 2026'da bir blog yazısında ayrıntıları verilen proje, şirketin daha geniş araştırma topluluğuna şimdiye kadar büyük ölçüde özel laboratuvarlarda kilitli kalan altyapı türünü sağlamaya yönelik şimdiye kadarki en iddialı teklifidir.
Bu sürüm, yapay zeka endüstrisinin statik soru yanıtlamadan, çok adımlı ortamlarda plan yapabilen, mantık yürütebilen ve hareket edebilen aracılara doğru kaymasıyla birlikte geliyor. Alanın otonom sistemlere doğru nasıl ilerlediği hakkında daha fazla bilgi için en son yapay zeka sektörü kapsamımıza bakın.
Orchard gerçekte nedir
Projenin merkezinde, aracıları uygun ölçekte çalıştırmak için yeniden kullanılabilir, yalıtılmış bileşenler sağlayan hafif, Kubernetes tabanlı bir ortam hizmeti olan Orchard Env yer alıyor. Microsoft'a göre aynı hizmet, yazılım mühendisliği aracılarını, web tarama aracılarını ve kişisel asistan aracılarını değişiklik yapılmadan destekleyebilir. Eğitim verilerinin toplanmasından takviyeli öğrenmenin kullanıma sunulmasına ve değerlendirilmesine kadar her şeyi yönetir.
Temel mimari karar, çalışma zamanı ortamının belirli bir eğitim çerçevesi içine yerleştirilmiş altyapı yerine bağımsız, yeniden kullanılabilir bir hizmet olarak ele alınmasıdır. Orchard Env, Kubernetes üzerinde yer aldığından binlerce izole konteyneri paralel olarak oluşturabilir, yönetebilir ve kaldırabilir. Ekipler, temel altyapıyı sıfırdan yeniden oluşturmadan yeni kıyaslamalar, aracı sistemler veya eğitim algoritmaları sunabilir.
Gerçek koşum takımlarıyla eğitim
Orchard'ın ayırt edici özelliklerinden biri, ajanları doğrudan üretimde kullanacakları konuşlandırma donanımlarının içinde eğitebilme yeteneğidir. Günümüzün en yetenekli temsilcileri nadiren çıplak bir model olarak çalışırlar. Çok turlu akıl yürütmeyi, araç kullanımını ve harici sistemlere bağlantıları yöneten Codex, OpenClaw ve ZeroClaw gibi gelişmiş donanımlarla çalışırlar.
Açık eğitim araçları genellikle bu durum bilgisi olan, çok süreçli donanımları idare edemez, araştırmacıları basitleştirilmiş bir yedek üzerinde eğitim almaya ve ardından gerçek ortamda konuşlandırmaya zorlar, bu da eğitim ve dağıtım arasında bir uyumsuzluk yaratır. Orchard bu açığı kapatıyor: Hafif bir proxy, donanımın kendi model çağrılarını eğitim verileri olarak kaydederken, her dağıtım kendi kapsayıcısında çalışır ve bir temsilcinin doğrudan üretimde kullanacağı donanımda uçtan uca eğitilmesine olanak tanır.
Alana özel üç tarif
Yaklaşımı göstermek için Microsoft üç eğitim iş akışı yayınladı.
Orchard-SWE: yazılım mühendisliği
Orchard-SWE, otonom aracılar için en zorlu ayarlardan birini hedefler: gerçek kod tabanları üzerinden çok adımlı akıl yürütme. Mini-SWE-Agent çerçevesi kullanılarak oluşturulmuş ve bir modelin gerçek dünyadaki kod tabanlarında gezinme, teşhis etme ve onarma yeteneğini test eden bir kıyaslama olan SWE-bench Verified'da değerlendirilmiştir.
Microsoft, sistemi eğitmek için iki gelişmiş açık ağırlıklı modelden (MiniMax-M2.5 ve Qwen3.5-397B) geniş bir GitHub sorunu yelpazesini kapsayan 107.000 aracı etkileşimini ayrıştırdı. Kredi tahsisi denetimli ince ayar adı verilen bir teknik kullanan sistem, bunları tamamen göz ardı etmek yerine kısmi girişimlerin üretken kısımlarından öğrenir.
Sonuçlar, modeli SWE-bench Verified'daki %61,4'lük taban çizgisinden takviyeli öğrenmeyle %69,1'e ve yoğun ödül teknikleriyle %69,7'ye taşıyor. Değer modeli yeniden sıralamasıyla bu rakam %73,0'a ulaşıyor; bu, yalnızca yaklaşık 3 milyar aktif parametre kullanan, karşılaştırılabilir büyüklükteki açık kaynaklı modeller arasında yeni bir teknoloji durumudur.
Orchard-GUI: web navigasyonu
Orchard-GUI, bir tarayıcı aracısı olarak 4 milyar parametreli bir görüş dili modelini eğitiyor. Göreceli olarak az miktarda denetim kullanılmasına rağmen (2.200 açık uçlu eğitim göreviyle birleştirilmiş 400 damıtılmış gösterim) model, ortalama %68,4 ile WebVoyager'da %74,1, Online-Mind2Web'de %67,0 ve DeepShop'ta %64,0 başarı elde etti. Microsoft, bu sonuçların onu bugüne kadarki en güçlü açık kaynaklı web aracıları arasına yerleştirdiğini söylüyor.
Meyve Bahçesi Pençesi: kişisel asistan görevleri
Orchard-Claw, e-postaları okumak ve taslak hazırlamak, takvimleri yönetmek ve bilgi aramak gibi günlük üretkenlik görevlerine odaklanır. Yalnızca 200 sentetik görev üzerinde eğitilmiş ve Claw-Eval kriterine göre değerlendirilmiş olup, üç denemeye kadar verilen görevlerin %59,6'sını tamamlamış olup, daha güçlü ZeroClaw ajan sistemi ile eşleştirildiğinde bu oran %73,9'a yükselmiştir.
Küçük model sonuçları neden önemlidir?
Karşılaştırma rakamları dikkate değer çünkü bunlar yaklaşık 3 ila 4 milyar aktif parametreye sahip modellerden geliyor; bu, OpenAI, Anthropic ve Google'ın lider tablolarına hakim olan sınır sistemlerinden çok daha küçük. Microsoft'un iddiası, doğru eğitim altyapısı ve ortamının aradaki açığın çoğunu kapatabileceği ve yetenekli etmenli sistemleri, en büyük özel modelleri eğitmeye veya çalıştırmaya gücü yetmeyen araştırmacılar ve kuruluşlar için erişilebilir hale getirebileceği yönünde.
Microsoft, modeller ve iş akışlarının yanı sıra, daha geniş araştırma topluluğunun açık aracılı sistemler oluşturmasına ve incelemesine yardımcı olma hedefiyle, bunları oluşturmak için kullanılan eğitim verilerini ve değerlendirme yöntemlerini de yayınladı. Çalışma, Microsoft Research'ten Baolin Peng, Wenlin Yao, Qianhui Wu, Hao Cheng ve Jianfeng Gao tarafından yönetildi.
Yapay Zekanın Önünde Olun
Microsoft'un Orchard sürümü, öncü yapay zekanın arkasındaki altyapının demokratikleşmeye başladığının sinyalini veriyor. Daha fazlasını okuyun son dakika yapay zeka haberleri ve Daha fazlasını okuyun yapay zeka haberleri →
