# Microsoft ouvre Orchard pour entraîner des agents IA > Microsoft présente Orchard, un cadre ouvert qui entraîne et évalue des agents dans des environnements réutilisables, avec des modèles de 3 milliards de paramètres. Type : Actualité IA · Catégorie : Outils · Publié le 2026-09-29 · Signal IA - Order & Chaos Source : https://www.orderchaos.eu/signal-ia/actu/microsoft-ouvre-orchard-pour-entrainer-des-agents-ia Tags : agents, modèles ouverts, recherche, infrastructure, kubernetes, agents-ia, benchmark, multimodal --- ## En résumé - Microsoft Research présente Orchard comme un cadre ouvert pour entraîner des agents dans plusieurs domaines. - Orchard-SWE atteint 69,7 % sur SWE-bench Verified avec environ 3 milliards de paramètres actifs. - Orchard réunit des environnements, des données et des méthodes d’évaluation réutilisables. **Le signal :** Orchard-SWE atteint 69,7 % sur SWE-bench Verified avec environ 3 milliards de paramètres actifs. **Microsoft Research présente** Orchard, un cadre ouvert destiné à la recherche sur les agents d’intelligence artificielle évolutifs et économiques. Le projet s’appuie sur Orchard Env, un service d’environnements réutilisables pour entraîner et évaluer des agents. Cette infrastructure prend en charge le [développement logiciel](/signal-ia/actu/orchard-de-microsoft-atteint-697-pourcent-sur-swe-bench), la navigation web et les assistants personnels. Elle permet aussi l’entraînement directement dans des environnements de déploiement comme Codex, OpenClaw et ZeroClaw. Microsoft publie Orchard-SWE, Orchard-GUI et Orchard-Claw, ainsi que leurs données d’entraînement et méthodes d’évaluation. Les résultats indiquent que des modèles ouverts relativement petits peuvent accomplir des tâches complexes dans des environnements réels. **Les environnements deviennent** une couche autonome et réutilisable au sein d’Orchard. Orchard Env repose sur Kubernetes et peut créer, gérer puis supprimer des milliers de composants isolés en parallèle. Le service couvre la collecte de données, les déploiements d’apprentissage par renforcement et l’évaluation. Il fonctionne avec différents types de tâches et systèmes d’agents, sans modification de l’[infrastructure](/signal-ia/actu/deepseek-v41-flash-divise-par-437-la-memoire-des-agents-ia) sous-jacente. Un proxy léger enregistre les appels du modèle effectués par le harnais utilisé. Chaque déploiement s’exécute dans son propre conteneur. Cette architecture permet d’entraîner un agent directement dans le harnais prévu pour son déploiement, notamment Codex, OpenClaw ou ZeroClaw. ## Orchard réutilise les environnements **Orchard-SWE progresse** sur les tâches de développement logiciel évaluées par SWE-bench Verified. L’équipe a distillé 107 000 interactions provenant de MiniMax-M2.5 et Qwen3.5-397B, sur un large éventail de problèmes GitHub. Le modèle commence avec un score de 61,4 %. Balanced Adaptive Rollout porte ce résultat à 69,1 %, puis les techniques de récompense dense l’augmentent à 69,7 %. Orchard-SWE utilise environ 3 milliards de paramètres actifs. Un modèle de valeur de 4 milliards de paramètres, entraîné sur les trajectoires de 20 expériences précédentes, permet ensuite d’atteindre 73 % grâce au reclassement des solutions candidates. Microsoft indique que ce résultat approche des systèmes plus de dix fois plus grands. **Orchard-GUI atteint** une moyenne de 68,4 % sur trois évaluations de navigation web. Ce modèle multimodal de 4 milliards de paramètres a été entraîné avec 400 démonstrations distillées et 2 200 tâches ouvertes. Il obtient 74,1 % sur WebVoyager, 67,0 % sur Online-Mind2Web et 64,0 % sur DeepShop. Orchard-Claw cible les assistants personnels pour la messagerie, les calendriers, la [recherche](/signal-ia/actu/anthropic-revele-huit-fois-plus-de-code-fusionne-en-2026) et la coordination entre outils. Entraîné sur 200 tâches synthétiques, il réussit 59,6 % des tâches de Claw-Eval avec trois tentatives. Avec ZeroClaw, ce score atteint 73,9 %. Dans Codex, l’entraînement fait passer le taux de réussite de 18,6 % à 51,5 %. ## Les modèles ouverts gagnent en efficacité **Microsoft publie enfin** l’environnement, les flux d’entraînement, les jeux de données et les méthodes d’évaluation d’Orchard. Le dépôt du projet est disponible sur [GitHub](https://github.com/microsoft/Orchard), tandis que les données sont accessibles sur [Hugging Face](https://huggingface.co/datasets/microsoft/Orchard). Orchard réunit ainsi une couche d’exécution, des recettes spécialisées et des workflows communs entre plusieurs domaines. Le projet traite aussi les trajectoires d’entraînement comme des actifs réutilisables. Microsoft cite notamment les modèles de valeur comme moyen de conserver certaines expériences passées. Cette approche vise à permettre aux générations suivantes d’agents d’hériter des connaissances acquises précédemment, plutôt que de recommencer chaque entraînement depuis zéro.