El marco Orchard de Microsoft permite que pequeños agentes de IA superen ampliamente su peso

Puntos clave

• Orchard es un marco gratuito y de código abierto lanzado por Microsoft Research que permite a los investigadores construir y entrenar agentes de IA sin necesidad de infraestructura cara y propietaria.
• Orchard-SWE, uno de tres modelos de demostración, obtuvo un 69,7% en SWE-bench Verified, una prueba de codificación estándar, llegando al 73,0% con un paso de filtrado adicional, utilizando aproximadamente 3 mil millones de parámetros activos.
• Los sistemas de IA de frontera que logran puntuaciones similares típicamente utilizan modelos más de diez veces mayores.
• Microsoft lanzó los datos de entrenamiento y los métodos de evaluación junto con el marco, para que investigadores externos puedan reproducir y construir sobre el trabajo.
• Se cubren tres tipos de agentes: ingeniería de software, navegación web y tareas de asistente personal como gestión de calendario y correo electrónico.

Microsoft Research publicó silenciosamente algo que los investigadores han querido durante años: un kit de herramientas completo y abierto para construir agentes de IA que realmente funcione con un presupuesto realista.

El proyecto se llama Orchard. Un agente de IA, para dar contexto, es software que no solo responde una única pregunta. Planifica, toma múltiples pasos, utiliza herramientas y puede recuperarse cuando algo sale mal. Piénsalo como un asistente digital que puede abrir tu base de código, detectar un error, escribir una corrección, ejecutar pruebas, reportar, todo sin que hagas clic en nada. Construir agentes como ese ha sido caro y cerrado. Las tuberías de entrenamiento, los conjuntos de datos y los entornos de prueba aislados necesarios para hacerlos funcionar han vivido principalmente dentro de laboratorios grandes. Orchard es el intento de Microsoft de cambiar eso.

¿Qué hace exactamente Orchard?

En su centro hay un componente llamado Orchard Env, un entorno compartido que se ejecuta en Kubernetes, un sistema ampliamente utilizado para gestionar miles de contenedores de software a la vez. Los equipos pueden introducir un nuevo punto de referencia, un nuevo algoritmo de entrenamiento o un nuevo sistema de agente sin reconstruir la infraestructura subyacente desde cero.

Un beneficio práctico: Orchard permite a los investigadores entrenar un agente dentro del mismo envoltorio de software que gestiona el razonamiento de múltiples pasos y el uso de herramientas durante el despliegue real. Las herramientas abiertas anteriores obligaban a los investigadores a entrenar en un sustituto simplificado y luego cambiar a lo real, creando una brecha entre el entrenamiento y el rendimiento del mundo real. Orchard cierra esa brecha.

¿Qué tan bien funcionan realmente los modelos?

Microsoft lanzó tres modelos de demostración para mostrar que el marco funciona en diferentes tareas.

Orchard-SWE es el resultado destacado. SWE-bench Verified es una prueba bien conocida donde un modelo debe leer un informe de error de software del mundo real y producir una corrección que funcione. El modelo parte de una línea de base del 61,4%, llega al 69,7% a través de una secuencia de mejoras de entrenamiento, y luego alcanza el 73,0% con un modelo de valor: un sistema separado de 4 mil millones de parámetros entrenado para elegir la mejor respuesta entre varios candidatos. Todo esto utiliza aproximadamente 3 mil millones de parámetros activos, mientras que los sistemas de frontera que publican puntuaciones similares utilizan modelos más de diez veces mayores, lo que significa más costo de computación y más energía por ejecución.

Orchard-GUI, el agente navegador web, fue entrenado en solo 400 demostraciones y 2.200 tareas abiertas, un conjunto de datos pequeño según los estándares de la industria. Aun así obtuvo un 74,1% en WebVoyager y un 67,0% en Online-Mind2Web.

Nuestra historia del 3 de agosto de 2026, "Inkling-Small Es una Cuarta Parte del Tamaño de su Predecesor y Casi Igual de Capaz", detectó un patrón similar: modelos abiertos más pequeños cerrando la brecha con los más grandes en puntuaciones de codificación. Orchard va más allá al abrir la propia receta de entrenamiento.

¿Qué significa esto para la gente ordinaria?

Directamente, no mucho aún. Orchard es un marco de investigación dirigido a los equipos que construyen herramientas de IA, no un producto que puedas descargar y usar hoy.

Indirectamente, importa. Cuando la infraestructura para construir agentes capaces es abierta y reproducible, más investigadores pueden estudiar cómo se comportan estos sistemas, detectar problemas más temprano, construir alternativas a productos comerciales cerrados. Ese escrutinio tiende a ser bueno para las personas que eventualmente usan las herramientas. Microsoft Research publicó los datos de entrenamiento y los métodos de evaluación junto con el código, para que equipos independientes puedan verificar los resultados en lugar de aceptar los puntos de referencia por fe.

Los números de referencia son reales, pero miden el rendimiento en pruebas específicas. Lo que nadie sabe aún es qué tan confiablemente estos agentes se mantienen cuando la tarea es más complicada de lo que un punto de referencia espera. Eso es lo que hay que observar.

Preguntas comunes

¿Es Orchard algo que pueda usar yo mismo?

Orchard es un marco de código abierto dirigido a investigadores y desarrolladores de IA, no un producto terminado para uso cotidiano. El código y los datos de entrenamiento están disponibles públicamente, pero usarlos requiere conocimiento técnico.

¿Una puntuación de punto de referencia más alta significa que un agente de IA es seguro de confiar con tareas reales?

No automáticamente. Las puntuaciones de referencia miden el rendimiento en pruebas específicas, no la confiabilidad en todas las situaciones. Son una señal útil, pero las pruebas del mundo real en el entorno real siempre importan más.