Microsoft Research has released Orchard, an open-source framework for building, training, and evaluating autonomous AI agents that the company says lets relatively small open-weight models approach the performance of frontier systems more than ten times their size. The project, detailed in a blog post on August 3, 2026, is the company's most ambitious bid yet to give the broader research community the kind of infrastructure that has, until now, largely remained locked inside proprietary labs.

The release arrives as the AI industry shifts from static question-answering toward agents that can plan, reason, and act across multistep environments. For more on how the field is moving toward autonomous systems, see our latest AI industry coverage.

What Orchard actually is

At the center of the project is Orchard Env, a lightweight, Kubernetes-based environment service that provides reusable, isolated components for running agents at scale. According to Microsoft, the same service can support software-engineering agents, web-browsing agents, and personal-assistant agents without modification. It handles everything from collecting training data to reinforcement-learning rollouts and evaluation.

The key architectural decision is that the runtime environment is treated as a standalone, reusable service rather than infrastructure embedded inside a specific training framework. Because Orchard Env sits on Kubernetes, it can create, manage, and remove thousands of isolated containers in parallel. Teams can introduce new benchmarks, agent systems, or training algorithms without rebuilding the underlying infrastructure from scratch.

Training inside real harnesses

One of Orchard's distinguishing features is its ability to train agents directly inside the deployment harnesses they will actually use in production. Today's most capable agents rarely run as a bare model. They operate through sophisticated harnesses such as Codex, OpenClaw, and ZeroClaw that manage multi-turn reasoning, tool use, and connections to external systems.

Open training tools usually cannot handle these stateful, multi-process harnesses, forcing researchers to train on a simplified stand-in and then deploy in the real setting, which creates a mismatch between training and deployment. Orchard closes this gap: a lightweight proxy records the harness's own model calls as training data while each rollout runs in its own container, allowing an agent to be trained end-to-end directly in the harness it will use in production.

Three domain-specific recipes

To demonstrate the approach, Microsoft released three training workflows.

Orchard-SWE: software engineering

Orchard-SWE targets one of the most demanding settings for autonomous agents: multi-step reasoning over real codebases. It was built using the Mini-SWE-Agent framework and evaluated on SWE-bench Verified, a benchmark that tests a model's ability to navigate, diagnose, and repair real-world codebases.

To train the system, Microsoft distilled 107,000 agent interactions from two advanced open-weight models, MiniMax-M2.5 and Qwen3.5-397B, covering a broad range of GitHub issues. Using a technique called credit-assignment supervised fine-tuning, the system learns from the productive portions of partial attempts rather than discarding them entirely.

The results move the model from a 61.4% baseline on SWE-bench Verified to 69.1% with reinforcement learning, and 69.7% with dense-reward techniques. With value-model reranking, the figure reaches 73.0% — a new state of the art among open-source models of comparable size, using only about 3 billion active parameters.

Orchard-GUI: web navigation

Orchard-GUI trains a 4-billion-parameter vision-language model as a browser agent. Despite using a relatively small amount of supervision — 400 distilled demonstrations combined with 2,200 open-ended training tasks — the model achieved 74.1% on WebVoyager, 67.0% on Online-Mind2Web, and 64.0% on DeepShop, for an average of 68.4%. Microsoft says these results place it among the strongest open-source web agents to date.

Orchard-Claw: personal assistant tasks

Orchard-Claw tập trung vào các công việc năng suất hàng ngày như đọc và soạn thảo email, quản lý lịch và tìm kiếm thông tin. Chỉ được đào tạo trên 200 nhiệm vụ tổng hợp và được đánh giá theo điểm chuẩn Claw-Eval, nó đã hoàn thành 59,6% nhiệm vụ được thực hiện tối đa ba lần, tăng lên 73,9% khi kết hợp với hệ thống tác nhân ZeroClaw mạnh hơn.

Tại sao kết quả của mô hình nhỏ lại quan trọng

Các con số điểm chuẩn rất đáng chú ý vì chúng đến từ các mô hình có khoảng 3 đến 4 tỷ tham số hoạt động - nhỏ hơn nhiều so với các hệ thống tiên phong từ OpenAI, Anthropic và Google thống trị bảng xếp hạng. Lập luận của Microsoft là cơ sở hạ tầng và môi trường đào tạo phù hợp có thể thu hẹp phần lớn khoảng cách, giúp các nhà nghiên cứu và tổ chức không đủ khả năng đào tạo hoặc vận hành các mô hình độc quyền lớn nhất có thể tiếp cận các hệ thống tác nhân có năng lực.

Bên cạnh các mô hình và quy trình làm việc, Microsoft đã phát hành dữ liệu đào tạo và các phương pháp đánh giá được sử dụng để xây dựng chúng, với mục tiêu đã nêu là giúp cộng đồng nghiên cứu rộng hơn xây dựng và nghiên cứu các hệ thống tác nhân mở. Công việc được dẫn dắt bởi Baolin Peng, Wenlin Yao, Qianhui Wu, Hao Cheng và Jianfeng Gao của Microsoft Research.

Đi trước AI

Bản phát hành Orchard của Microsoft báo hiệu rằng cơ sở hạ tầng đằng sau AI tác nhân biên giới đang bắt đầu dân chủ hóa. Đọc thêm tin tức mới về AI và Đọc thêm tin tức về AI →