مائیکروسافٹ ریسرچ نے آرچرڈ کو جاری کیا ہے، جو خود مختار AI ایجنٹوں کی تعمیر، تربیت اور جانچ کے لیے ایک اوپن سورس فریم ورک ہے جس کے بارے میں کمپنی کا کہنا ہے کہ نسبتاً چھوٹے کھلے وزن والے ماڈلز کو ان کے سائز سے دس گنا زیادہ فرنٹیئر سسٹمز کی کارکردگی تک پہنچنے دیتا ہے۔ یہ پروجیکٹ، جس کی تفصیل 3 اگست 2026 کو ایک بلاگ پوسٹ میں دی گئی ہے، وسیع تر ریسرچ کمیونٹی کو اس قسم کا انفراسٹرکچر دینے کے لیے کمپنی کی اب تک کی سب سے زیادہ پرجوش بولی ہے جو کہ اب تک بڑی حد تک ملکیتی لیبز کے اندر بند ہے۔

ریلیز اس وقت پہنچی جب AI انڈسٹری مستحکم سوالوں کے جوابات سے ایسے ایجنٹوں کی طرف منتقل ہوتی ہے جو ملٹی اسٹپ ماحول میں منصوبہ بندی، استدلال اور عمل کر سکتے ہیں۔ اس بارے میں مزید جاننے کے لیے کہ فیلڈ کس طرح خود مختار نظاموں کی طرف بڑھ رہا ہے، ہماری اے آئی انڈسٹری کی تازہ ترین کوریج دیکھیں۔

آرچرڈ اصل میں کیا ہے؟

پروجیکٹ کے مرکز میں Orchard Env ہے، ایک ہلکی پھلکی، Kubernetes پر مبنی ماحول کی خدمت جو بڑے پیمانے پر ایجنٹوں کو چلانے کے لیے دوبارہ قابل استعمال، الگ تھلگ اجزاء فراہم کرتی ہے۔ مائیکروسافٹ کے مطابق، وہی سروس سافٹ ویئر انجینئرنگ ایجنٹس، ویب براؤزنگ ایجنٹس، اور پرسنل اسسٹنٹ ایجنٹس کو بغیر کسی ترمیم کے سپورٹ کر سکتی ہے۔ یہ تربیتی ڈیٹا اکٹھا کرنے سے لے کر کمک سیکھنے کے رول آؤٹ اور تشخیص تک سب کچھ سنبھالتا ہے۔

کلیدی آرکیٹیکچرل فیصلہ یہ ہے کہ رن ٹائم ماحول کو ایک مخصوص تربیتی فریم ورک کے اندر شامل انفراسٹرکچر کی بجائے اسٹینڈ تنہا، دوبارہ قابل استعمال سروس سمجھا جاتا ہے۔ چونکہ Orchard Env Kubernetes پر بیٹھتا ہے، اس لیے یہ متوازی طور پر ہزاروں الگ تھلگ کنٹینرز بنا، ان کا انتظام اور ہٹا سکتا ہے۔ ٹیمیں نئے بینچ مارکس، ایجنٹ سسٹمز، یا تربیتی الگورتھم متعارف کروا سکتی ہیں بغیر بنیادی ڈھانچے کو شروع سے دوبارہ بنائے۔

اصلی ہارنس کے اندر تربیت

آرچرڈ کی امتیازی خصوصیات میں سے ایک یہ ہے کہ وہ ایجنٹوں کو براہ راست تعیناتی کے استعمال کے اندر تربیت دینے کی صلاحیت رکھتا ہے جسے وہ اصل میں پیداوار میں استعمال کریں گے۔ آج کے سب سے زیادہ قابل ایجنٹ شاذ و نادر ہی ایک ننگے ماڈل کے طور پر چلتے ہیں۔ وہ کوڈیکس، اوپن کلاؤ، اور زیروکلا جیسے نفیس استعمال کے ذریعے کام کرتے ہیں جو کثیر موڑ استدلال، آلے کے استعمال، اور بیرونی نظاموں سے کنکشن کا انتظام کرتے ہیں۔

کھلے ٹریننگ ٹولز عام طور پر ان اسٹیٹفول، ملٹی پروسیس ہارنیسز کو نہیں سنبھال سکتے ہیں، جو محققین کو ایک آسان اسٹینڈ ان پر تربیت دینے اور پھر حقیقی ترتیب میں تعینات کرنے پر مجبور کرتے ہیں، جس سے تربیت اور تعیناتی کے درمیان مماثلت پیدا ہوتی ہے۔ آرچرڈ اس فرق کو ختم کرتا ہے: ایک ہلکا پھلکا پراکسی ہارنس کے اپنے ماڈل کالز کو تربیتی ڈیٹا کے طور پر ریکارڈ کرتا ہے جب کہ ہر رول آؤٹ اپنے اپنے کنٹینر میں چلتا ہے، جس سے ایجنٹ کو براہ راست اس ہارنس میں تربیت دی جاتی ہے جسے وہ پیداوار میں استعمال کرے گا۔

تین ڈومین مخصوص ترکیبیں۔

نقطہ نظر کو ظاہر کرنے کے لیے، مائیکروسافٹ نے تین تربیتی ورک فلو جاری کیے ہیں۔

Orchard-SWE: سافٹ ویئر انجینئرنگ

Orchard-SWE خود مختار ایجنٹوں کے لیے سب سے زیادہ متقاضی ترتیبات میں سے ایک کو نشانہ بناتا ہے: حقیقی کوڈ بیسز پر کثیر مرحلہ استدلال۔ یہ Mini-SWE-Agent فریم ورک کا استعمال کرتے ہوئے بنایا گیا تھا اور SWE-bench Verified پر جانچا گیا تھا، یہ ایک ایسا بینچ مارک ہے جو ایک ماڈل کی حقیقی دنیا کے کوڈ بیسز کو نیویگیٹ کرنے، تشخیص کرنے اور مرمت کرنے کی صلاحیت کو جانچتا ہے۔

سسٹم کو تربیت دینے کے لیے، مائیکروسافٹ نے دو جدید اوپن ویٹ ماڈلز، MiniMax-M2.5 اور Qwen3.5-397B سے 107,000 ایجنٹ کے تعاملات کو ڈسٹل کیا، جس میں GitHub کے مسائل کی ایک وسیع رینج شامل ہے۔ کریڈٹ اسائنمنٹ سپروائزڈ فائن ٹیوننگ کہلانے والی تکنیک کا استعمال کرتے ہوئے، نظام جزوی کوششوں کے نتیجہ خیز حصوں سے سیکھتا ہے بجائے اس کے کہ انہیں مکمل طور پر ضائع کر دیا جائے۔

نتائج ماڈل کو SWE-bench Verified پر 61.4% بیس لائن سے کمک سیکھنے کے ساتھ 69.1%، اور گھنے انعامی تکنیک کے ساتھ 69.7% پر منتقل کر دیتے ہیں۔ ویلیو ماڈل ری رینکنگ کے ساتھ، اعداد و شمار 73.0% تک پہنچ جاتے ہیں - صرف تقریباً 3 بلین فعال پیرامیٹرز کا استعمال کرتے ہوئے، موازنہ سائز کے اوپن سورس ماڈلز کے درمیان آرٹ کی ایک نئی حالت۔

Orchard-GUI: ویب نیویگیشن

Orchard-GUI براؤزر ایجنٹ کے طور پر 4-بلین پیرامیٹر وژن لینگویج ماڈل کو تربیت دیتا ہے۔ نگرانی کی نسبتاً کم مقدار استعمال کرنے کے باوجود — 400 ڈسٹل مظاہروں کے ساتھ مل کر 2,200 اوپن اینڈ ٹریننگ ٹاسکس — ماڈل نے WebVoyager پر 74.1%، آن لائن-Mind2Web پر 67.0%، اور DeepShop پر 64.0%، اوسطاً 68.4% تک حاصل کیا۔ مائیکروسافٹ کا کہنا ہے کہ یہ نتائج اسے آج تک کے سب سے مضبوط اوپن سورس ویب ایجنٹوں میں جگہ دیتے ہیں۔

Orchard-Claw: ذاتی معاون کے کام

Orchard-Claw روزمرہ کے پیداواری کاموں پر توجہ مرکوز کرتا ہے جیسے ای میلز کو پڑھنا اور ڈرافٹ کرنا، کیلنڈرز کا انتظام کرنا، اور معلومات کی تلاش۔ صرف 200 مصنوعی کاموں پر تربیت دی گئی اور Claw-Eval بینچ مارک پر جانچ کی گئی، اس نے تین کوششوں تک دیئے گئے 59.6% کام مکمل کیے، جو ZeroClaw ایجنٹ کے مضبوط نظام کے ساتھ جوڑا بنانے پر 73.9% تک بڑھ گئے۔

چھوٹے ماڈل کے نتائج کیوں اہم ہیں۔

بینچ مارک نمبرز قابل ذکر ہیں کیونکہ وہ تقریباً 3 سے 4 بلین ایکٹیو پیرامیٹرز والے ماڈلز سے آتے ہیں – جو OpenAI، Anthropic، اور Google کے فرنٹیئر سسٹمز سے بہت چھوٹے ہیں جو لیڈر بورڈز پر غالب ہیں۔ مائیکروسافٹ کا استدلال یہ ہے کہ صحیح تربیتی انفراسٹرکچر اور ماحول زیادہ تر خلا کو ختم کر سکتا ہے، جو قابل ایجنٹی نظام کو محققین اور تنظیموں کے لیے قابل رسائی بنا سکتا ہے جو سب سے بڑے ملکیتی ماڈلز کو تربیت دینے یا چلانے کے متحمل نہیں ہو سکتے۔

ماڈلز اور ورک فلو کے ساتھ ساتھ، مائیکروسافٹ نے ان کی تعمیر کے لیے استعمال ہونے والے تربیتی ڈیٹا اور تشخیصی طریقوں کو جاری کیا، جس کا مقصد وسیع تر تحقیقی کمیونٹی کو کھلے ایجنٹی نظام کی تعمیر اور مطالعہ میں مدد کرنا ہے۔ کام کی قیادت مائیکروسافٹ ریسرچ کے باولن پینگ، وینلن یاو، کیانہوئی وو، ہاؤ چینگ، اور جیانفینگ گاو نے کی۔

AI سے آگے رہیں

مائیکروسافٹ کا آرچرڈ ریلیز اشارہ کرتا ہے کہ فرنٹیئر ایجنٹ AI کے پیچھے بنیادی ڈھانچہ جمہوری بنانا شروع کر رہا ہے۔ مزید پڑھیں بریکنگ اے آئی نیوز اور مزید AI خبریں پڑھیں →