📰 论文核心

5月14日，一篇名为《Orchard: An Open-Source Agentic Modeling Framework》的论文登上arXiv。团队来自微软研究院与多家高校，提出一套全新开源Agent训练框架，在编码任务（SWE-bench）上刷新开源模型纪录。

Orchard的核心是「Orchard Env」——轻量级环境服务，为沙箱生命周期管理提供可复用原语，支持跨任务领域、跨Agent测试框架、跨Pipeline阶段。围绕它构建了三套训练配方：Orchard-SWE（代码Agent）、Orchard-GUI（视觉Agent）、Orchard-Claw（个人助手Agent）。

🔬 技术突破

  • Orchard-SWE：从Qwen3-30B-A3B-Thinking出发，经SFT后达64.3%，再经SFT+RL后达67.5%，超越所有同尺寸开源模型。关键在于Credit-Assignment SFT——从失败轨迹中学习有效片段，而非简单模仿成功路径。
  • Orchard-GUI：仅用0.4K蒸馏轨迹+2.2K开放任务，训练出4B视觉-语言Agent。在WebVoyager、Online-Mind2Web、DeepShop上分别达74.1%、67.0%、64.0%成功率，持平闭源系统。
  • Orchard-Claw：仅用0.2K合成任务训练，在Claw-Eval上达59.6% pass@3，配合同样更优的ZeroClaw测试框架后提升至73.9%。

💡 观点

这篇论文的意义不在于某个单一指标，而在于证明了「轻量开源环境层+可复用数据+可迁移训练配方」这条路的可行性。当行业都在堆参数、拼算力时，Orchard回归建模本质，用系统化框架降低Agent训练门槛。开源框架的完善程度，将直接决定未来Agent生态的起跑线。

来源：arXiv:2605.15040 | 领域：cs.AI