你让一个 AI 帮忙修软件漏洞，它不只要“会写代码”，还得打开代码库、运行工具、检查报错，并在失败后继续尝试。真正麻烦的是，每支团队往往都要先搭一套隔离环境、数据管线和评测系统，模型还可能在简化环境里训练，部署时却换到另一套工具外壳。微软研究院发布的开源框架 Orchard，想把这些重复工程合并成一套可复用的基础设施，让研究者把更多精力放在训练智能体本身，也让较小的开放权重模型有机会参与竞争。
需要先说明：目前材料仅来自 Microsoft Research 官方博客。框架能力、开放状态和实验数字尚无论文或第三方评测交叉验证，以下结果应视为项目方报告。
先把“练习场”独立出来
Orchard 的核心不是一个新模型，而是 Orchard Env。它是一项基于 Kubernetes 的轻量级环境服务。Kubernetes 是管理大量计算任务的系统；在这里，它负责创建、管理和移除彼此隔离的运行组件，而且可以并行处理数千个组件。
所谓智能体训练环境，可以理解为一间可反复布置的练习室：模型在里面观察任务、执行操作，再根据结果获得反馈。过去，这间练习室常被写死在某一种训练框架里。换任务或换训练方法，团队可能就得重新装修。
Orchard 把环境单独做成服务。训练数据收集、强化学习 rollout 和评测都可以调用它。强化学习 rollout，就是让智能体完整尝试一次任务，并记录沿途的决策和结果。按照微软的介绍，同一套基础设施可以服务软件工程、网页导航和个人助理任务，也能用于数据蒸馏——让模型学习较强模型产生的示范。
这套统一训练与评测框架的价值很朴素：不同任务共用环境接口、数据管线和运行规则，研究者不必每次从头搭系统，实验之间也更容易比较。项目同时给出了三套领域方案：面向软件工程的 Orchard-SWE、面向图形界面任务的 Orchard-GUI，以及 Orchard-Claw，并称一并发布了训练数据和评估方法。
在真正使用的外壳里训练
模型通常不能凭空操作网页或代码库。它需要 harness——把模型接入工具、任务状态、权限和运行循环的执行外壳。Codex、OpenClaw、ZeroClaw 都属于这类系统。harness 还可能负责多轮推理、工具调用以及与外部系统连接。
问题在于，开放训练工具未必能处理这种有状态、多进程的外壳。研究者于是可能先在简化替身里训练，再把模型放进真实系统。就像只在空教室里练驾驶，考试时才第一次上路，训练与部署之间会出现落差。
Orchard 的做法是，在 harness 与模型之间放入轻量代理，记录 harness 发出的模型调用，将其变成训练数据；每次 rollout 则在独立容器里运行。这样，智能体可以直接在未来部署所用的 harness 中接受端到端训练，也可以跨多种 harness 训练。这里的“容器”，可以理解为相互隔离的小型运行空间，避免不同任务彼此干扰。
小模型的成绩从哪里来？
微软用 Orchard-SWE 展示了软件工程方向的训练流程。它基于 Mini-SWE-Agent，在 SWE-bench Verified 上评测。这个基准要求智能体进入真实代码库，定位问题并提交修复，用来检验它能否完成一整套软件维护工作，而不只是补全一段代码。
项目团队先从 MiniMax-M2.5 和 Qwen3.5-397B 两个较强的开放权重模型中蒸馏了 10.7 万条智能体交互，覆盖多种 GitHub Issues。这里的蒸馏，是让较小模型学习较强模型留下的任务轨迹。
训练没有把失败尝试全部扔掉。团队使用“信用分配监督微调”：即使一次尝试最终没修好问题，也挑出其中有效的步骤供模型学习。随后进入强化学习阶段。由于软件修复常常只有“隐藏测试通过或失败”这一项最终反馈，奖励信号很稀疏，Orchard-SWE 先使用 Balanced Adaptive Rollout 来提高这些少量成功信号的利用率，再加入两种更密集的指导。
第一种是 on-policy distillation，由更强的教师模型逐步评价智能体当下的决策。第二种是 process reward model，也就是过程奖励模型：AI 裁判会检查解题过程是否扎实，例如有没有编写测试复现漏洞、验证修复，以及确认原有功能仍然正常。
69.7%意味着什么？
据 Microsoft Research 披露，Orchard-SWE 使用约 30 亿个 active parameters，在 SWE-bench Verified 上取得 69.7%；加入 value-model reranking 后达到 73.0%。后者是让价值模型从多个候选结果中重新排序，因此不能与基础成绩混为同一种设置。
“激活参数”指模型处理一次输入时实际参与计算的参数，并不必然等于模型的总参数量。微软称这一结果接近使用大十倍以上模型的前沿系统，但没有说明比较对象，也没有统一总参数与激活参数的口径。因此，更稳妥的结论是：官方结果显示，小模型在这套训练流程下可以取得较高的软件修复分数；它是否真的以更低成本逼近前沿系统，目前还不能确认。
为什么值得关注
Orchard 瞄准的是智能体研究中不太显眼、却很耗资源的一层：工具链。它没有只发布一张排行榜成绩，而是试图把任务环境、训练、数据收集、真实 harness 和评测接成一条可复用管线。如果这套框架确实容易部署，它可能降低研究团队重复建设基础设施的成本，也让不同模型和训练方法更容易在相近条件下比较。
小模型的意义也在这里。智能体能力不只取决于模型大小，还取决于它在哪里练习、得到什么反馈，以及训练时使用的外壳是否与部署一致。Orchard 提供的是一套改善这些条件的工程方案，而不是证明“小模型普遍胜过大模型”。
局限与未知
- 69.7%和73.0%的评测版本、推理预算、采样次数，以及 reranking 的候选数量均未披露，暂时难以做严格横向比较。
- “约30亿激活参数”不能直接与其他系统的总参数量相比；所谓“大十倍以上”的对手也未被明确列出。
- 官方称代码、训练数据和评估方法已经发布，但现有材料没有提供仓库、许可证及实际可下载状态的独立证据。