Orchard : un framework open source pour l'IA à base d'agents à grande échelle

Microsoft a dévoilé Orchard, un framework open source destiné à la recherche sur l'IA agentique à grande échelle et à moindre coût. Son composant central, Orchard Env, est un service d'environnement réutilisable, bâti sur Kubernetes, capable de créer, gérer et supprimer des milliers de composants isolés en parallèle pour entraîner et évaluer des agents. Cette même infrastructure prend en charge des agents dédiés au développement logiciel, à la navigation web et à l'assistance personnelle, et permet de les entraîner directement dans de véritables environnements de déploiement comme Codex, OpenClaw et ZeroClaw. Pour illustrer cette approche, Microsoft publie trois recettes d'entraînement spécialisées, Orchard-SWE, Orchard-GUI et Orchard-Claw, accompagnées des données d'entraînement et des méthodes d'évaluation utilisées pour les construire. Le résultat le plus marquant vient d'Orchard-SWE, qui atteint 69,7% sur le benchmark SWE-bench Verified, un score qui grimpe à 73% grâce à un reclassement par modèle de valeur, avec seulement environ 3 milliards de paramètres actifs, se rapprochant ainsi de systèmes de pointe utilisant des modèles plus de dix fois plus volumineux.

Cette annonce répond à un obstacle bien connu de la recherche en IA agentique: construire des systèmes à l'état de l'art exige généralement une infrastructure propriétaire, des bacs à sable sur mesure, des pipelines d'entraînement fermés et des jeux de données inaccessibles à la majorité des chercheurs. En rendant Orchard Env indépendant de tout framework d'entraînement spécifique et compatible avec plusieurs types de tâches sans modification, Microsoft entend démocratiser l'accès à ces outils. Les équipes de recherche peuvent ainsi introduire de nouveaux benchmarks, agents ou algorithmes d'entraînement sans reconstruire leur infrastructure depuis zéro, ce qui pourrait accélérer considérablement les progrès collectifs dans un domaine jusqu'ici dominé par quelques acteurs disposant de ressources massives.

Le contexte plus large est celui d'une bascule rapide de l'IA, qui passe de simples systèmes de questions-réponses statiques à des agents autonomes capables de planifier, raisonner et agir dans des environnements complexes et multi-étapes, que ce soit pour corriger des bugs dans du code, naviguer sur le web pour un utilisateur ou gérer des calendriers et des e-mails. Un défi technique majeur reste que les agents les plus performants fonctionnent rarement comme de simples modèles isolés: ils s'appuient sur des harnais sophistiqués tels que Claude Code, Codex ou OpenClaw, qui gèrent le raisonnement multi-tours, l'usage d'outils et les connexions à des systèmes externes, un niveau de complexité que les outils d'entraînement ouverts peinent habituellement à prendre en charge.