# Orchard redéfinit l'IA agentique avec son framework open source

> Orchard publie un framework open source qui entraîne des agents dans Codex, OpenClaw ou ZeroClaw et atteint 73 % sur SWE-bench Verified.

Type : Actualité IA · Catégorie : Outils · Publié le 2026-08-15 · Signal IA - Order & Chaos
Source : https://www.orderchaos.eu/signal-ia/actu/orchard-structure-lia-agentique-ouverte-a-grande-echelle
Tags : orchard, orchard-swe, orchard-gui, ia agentique, swe-bench, open-source, raisonnement

---

## En résumé

- Orchard Env fournit un environnement Kubernetes réutilisable pour entraîner et évaluer des agents de code, de navigation web et d’assistance personnelle.
- Orchard-SWE atteint 69,7 % sur SWE-bench Verified avec environ 3 milliards de paramètres actifs, puis 73 % avec reranking.
- Orchard-GUI obtient une moyenne de 68,4 % sur WebVoyager, Online-Mind2Web et DeepShop.

**Le signal :** Orchard-SWE atteint 73 % sur SWE-bench Verified avec environ 3 milliards de paramètres actifs.

## Orchard standardise l’environnement agentique

Orchard est un framework [open source](/signal-ia/actu/liquid-ai-ouvre-antidoom-reduit-les-boucles-infinies) conçu pour la recherche sur l’IA agentique à grande échelle et à moindre coût. Son composant central, Orchard Env, fournit un service d’environnement réutilisable pour entraîner et évaluer des agents dans plusieurs domaines. La même infrastructure peut prendre en charge des agents de développement logiciel, de navigation web ou d’assistance personnelle, sans reconstruire les pipelines de données et d’évaluation pour chaque usage.

Fondé sur Kubernetes, Orchard Env crée, gère et supprime en parallèle des milliers de composants isolés. Il couvre plusieurs étapes, de la collecte de données à la [distillation](/signal-ia/actu/alibaba-qwen-38-geant-chinois-defie-la-silicon-valley) et aux déploiements de renforcement, en passant par l’évaluation. Le système peut également fonctionner avec différents agents, benchmarks et algorithmes d’entraînement. Les équipes peuvent ainsi introduire de nouvelles configurations sans repartir d’une infrastructure entièrement nouvelle.

## Orchard entraîne les agents dans leur outil

Orchard vise aussi un problème lié aux agents modernes: ceux-ci ne fonctionnent généralement pas comme de simples modèles, mais à travers des environnements capables de gérer le [raisonnement](/signal-ia/actu/kimi-k3-moonshot-ai-revolutionne-le-modele-ouvert) multi-tour, les outils et les connexions à des systèmes externes. Le framework peut entraîner un agent directement dans le « harness » destiné à son déploiement, notamment Codex, OpenClaw ou ZeroClaw. Un proxy léger enregistre les appels du modèle, tandis que chaque déploiement s’exécute dans son propre conteneur. Cette approche évite de former l’agent dans une version simplifiée avant de le transférer vers son environnement réel.

Le projet publie trois recettes d’entraînement: Orchard-SWE, Orchard-GUI et Orchard-Claw, ainsi que les données d’entraînement et les méthodes d’évaluation utilisées. Orchard-SWE s’appuie sur Mini-SWE-Agent et a été entraîné avec 107 000 interactions issues de deux modèles open-weight, MiniMax-M2.5 et Qwen3.5-397B, sur un large éventail de problèmes GitHub. Sa méthode exploite aussi les parties utiles des tentatives incomplètes, au lieu de les écarter lorsqu’elles n’aboutissent pas à une résolution complète.

## Orchard-SWE atteint 73 % sur SWE-bench

Sur SWE-bench Verified, Orchard-SWE passe d’une base de 61,4 % à 69,1 % avec Balanced Adaptive Rollout, puis à 69,7 % grâce à des techniques de récompense dense. Le modèle utilise environ 3 milliards de paramètres actifs et atteint 73 % avec un reranking par modèle de valeur.

Orchard-GUI obtient 74,1 % sur WebVoyager, 67,0 % sur Online-Mind2Web et 64,0 % sur DeepShop, soit une moyenne de 68,4 %. Le projet présente ces résultats comme ceux d’un agent GUI open source parmi les plus performants, à niveau comparable à des systèmes propriétaires d’OpenAI et de Google sur ces évaluations.