Microsoft Research ha rilasciato Orchard, un framework open source progettato per rendere più semplice ed economico l'addestramento di agenti AI autonomi. Il framework è stato rilasciato lunedì 4 agosto 2026, sviluppando la ricerca iniziale dell'azienda pubblicata a marzo. Il rilascio arriva in un momento in cui l'AI agente — sistemi in grado di pianificare in modo autonomo, navigare sul web, scrivere codice e utilizzare strumenti — è diventata uno dei settori più competitivi del settore, con importanti laboratori e startup che gareggiano per costruire agenti capaci di gestire attività reali a più fasi.

Orchard è in grado di addestrare e valutare agenti AI in molteplici domini, tra cui programmazione, navigazione web e utilizzo di strumenti. mira a ridurre la complessità eliminando la necessità per i ricercatori di costruire in modo indipendente infrastrutture sandbox, pipeline di dati e sistemi di valutazione per ogni singolo modello o caso d'uso — una barriera che ha storicamente reso la ricerca agente all'avanguardia inaccessibile per molti team accademici e indipendenti privi delle risorse ingegneristiche delle grandi aziende tecnologiche.

In un post sul blog, Microsoft ha riconosciuto le sfide che la comunità di ricerca deve affrontare: "Sebbene ci sia entusiasmo per le capacità dell'AI agente, la comunità di ricerca affronta un collo di bottiglia persistente. La costruzione di sistemi agenti all'avanguardia richiede spesso infrastrutre proprietarie... che la maggior parte dei ricercatori e dei professionisti non può accedere o riprodurre."

Al centro del framework si trova Orchard Env, che Microsoft descrive come un "ambiente Kubernetes leggero che fornisce componenti isolati riutilizzabili". Questi componenti possono essere utilizzati per eseguire e costruire agenti su larga scala — dalla raccolta di dati di addestramento ai rollout di apprendimento per rinforzo e alla valutazione — senza richiedere ai team di ricostruire l'architettura sottostante ogni volta. Basandosi su Kubernetes, una piattaforma standard del settore per l'orchestrazione di container, Orchard è progettato per essere implementabile su una gamma di infrastrutture, dai cluster locali ai principali provider cloud.

Per dimostrare l'approccio del framework, Microsoft ha rilasciato tre ricette di addestramento specifiche per dominio — Orchard-SWE, Orchard-GUI e Orchard-Claw — insieme ai dati di addestramento e ai metodi di valutazione associati utilizzati per svilupparle. Orchard-SWE addestra agenti di ingegneria del software, Orchard-GUI si concentra sulla navigazione browser e Orchard-Claw affronta le attività di produttività quotidiana. Microsoft ha riferito che i modelli addestrati attraverso ciascuna ricetta hanno prodotto risultati competitivi sui benchmark consolidati.

L'azienda ha evidenziato le implicazioni più ampie del design open del framework. "Rendendo l'infrastruttura sottostante aperta, leggera e riutilizzabile, Orchard riduce i costi della ricerca sull'AI agente", ha dichiarato Microsoft. "I team non hanno più bisogno di costruire ambienti isolati personalizzati da zero o dipendere da servizi cloud proprietari." L'approccio open source è in linea con una tendenza più ampia del settore in cui i principali laboratori di AI — tra cui Meta con i suoi modelli Llama e Google con diversi framework di ricerca — hanno rilasciato pubblicamente strumenti e pesi dei modelli per accelerare il progresso guidato dalla comunità.

Microsoft ha inoltre delineato la propria prospettiva sulle future direzioni di sviluppo. "Guardando avanti, vediamo il riutilizzo dell'esperienza di addestramento come una direzione promettente verso l'apprendimento cumulativo degli agenti. Invece di scartare le traiettorie una volta terminato un ciclo di addestramento, le consideriamo asset persistenti — ad esempio, distillandole in modelli di valore riutilizzabili." Questo concetto di apprendimento cumulativo — in cui gli agenti costruiscono sulla base dell'esperienza precedente anziché iniziare ogni ciclo di addestramento da zero — riflette obiettivi di lunga data nella ricerca sull'apprendimento per rinforzo, dove l'efficienza dei campioni e il trasferimento di conoscenza rimangono sfide aperte.

Il framework Orchard, insieme alla relativa pubblicazione di ricerca, è disponibile come rilascio open source da Microsoft Research.