Hvad Orchard egentlig adskiller
Microsoft Research udgav Orchard den 4. august 2026 som et open source-framework til agentisk modellering og beskrev det i et blogindlæg som en måde at adskille styringen af sandkassens livscyklus fra den træningspipeline, der bruges til at bygge AI-agenter. Den skelnen betyder noget, fordi det at træne en agent til at kode, browse eller bruge værktøjer godt kræver, at man kører den igen og igen i noget, der opfører sig som dens virkelige driftsmiljø, ikke en forsimplet stedfortræder.
Før Orchard skulle et team, der ville træne en agent på denne måde, typisk selv bygge det sandkasse- og evalueringslag, projekt for projekt, eller betale en administreret leverandør for at gøre det. Microsoft Researchs centrale sandkassetjeneste er i stedet tænkt til at blive genbrugt tværs af projekter, og det er netop den del af udgivelsen, der er rettet mod teams, som i dag fordobler dette infrastrukturarbejde internt.
Sandkasseregningen falder med omkring en faktor ti
Microsoft Research rapporterede, at Orchards centrale sandkassetjeneste kører til omkring en tiendedel af prisen for administrerede alternativer som E2B eller Daytona, når den køres på spot-instanser. Sandkasseinfrastruktur, ikke selve træningsberegningen af modellen, er stille og roligt blevet en af de større udgiftsposter for teams, der lader deres agenter handle i virkelige miljøer, fordi hver træningskørsel og hver evalueringsrunde kræver sin egen isolerede, engangskopi af det miljø.
En tidobling af besparelsen på lige den ene post gør ikke agentudvikling gratis, men den ændrer, hvilke projekter der klarer et teams ingeniørbudget-grænse. Arbejde, der tidligere ikke retfærdiggjorde at bygge eller leje dedikeret sandkasseinfrastruktur, gør det nu plausibelt, især for smallere, opgavespecifikke agenter frem for generelle.
En model med 3 milliarder parametre når resultater, der normalt kræver ti gange flere
Det tilhørende tekniske papir, 'Orchard: An Open-Source Agentic Modeling Framework,' rapporterer, at en model trænet med det, kaldet Orchard-SWE, når 69,7% på SWE-bench Verified, og 73% med reranking anvendt, ved brug af kun omkring 3 milliarder aktive parametre. Disse scorer hører ifølge papiret normalt til modeller omkring ti gange større, og påstanden er blevet gentaget uafhængigt af AIBusiness og EdTechInnovationHub.
Parametertallet er her det operationelt mest interessante tal, mere end selve benchmark-scoren. SWE-bench Verified måler, om en model kan løse virkelige softwareproblemer fra ende til anden, og at en model med 3 milliarder aktive parametre når en score, der normalt er forbeholdt langt større systemer, antyder, at det var træningsmetoden og sandkassens realisme, ikke rå skala, der frembragte resultatet.
Den egentlige beslutning for købere i EU og Storbritannien
Ethvert firma, der i dag betaler pr. opgave til en topleverandør som OpenAI eller Anthropic for agentisk arbejde, eller som betaler for administreret sandkasseinfrastruktur fra en leverandør som E2B eller Daytona for selv at bygge en agent, har nu en troværdig, gratis, selvhostet vej til i stedet at træne en smallere, billigere, skræddersyet agent. Det er en reel ændring i de tilgængelige muligheder, ikke en marginal en.
Det er dog ikke en ændring fra at betale til ikke at betale. Open source flytter her omkostningen fra en målt post på en leverandørs faktura til en ingeniør- og driftsbyrde inde i virksomheden, og til hvilken sky træningen faktisk kører på, ofte Microsofts eget Azure, fordi Microsoft byggede frameworket. Den beslutning, en køber egentlig står med, er en ærlig sammenligning mellem at bygge selv, leje eller binde sig til en ny leverandør på samlet omkostning og kapacitet, ikke et reflekssvar mod alt, der er mærket gratis.
Hvorfor 3 milliarder aktive parametre ændrer regnestykket
Den operationelle lære af benchmark-resultatet er ikke, at Microsoft i dag har den bedste tilgængelige kodende agent. Den er, at en snævert og godt trænet agent kan matche en langt større generel model på en bestemt opgave, med en brøkdel af de aktive parametre og, ifølge Microsoft Researchs omkostningspåstand, med en brøkdel af det sandkasseforbrug, der er nødvendigt for at træne den. Det ændrer regnestykket for ethvert team, der i dag som standard griber efter den største tilgængelige topmodel udelukkende af forsigtighed.
Teams, der aldrig har trænet deres egen agent, fordi sandkasse- og evalueringsinfrastrukturen så for dyr ud at bygge, har nu en billigere måde at teste, om en smallere model ville udføre deres specifikke opgave for en brøkdel af den løbende opgaveafgift. Om den byttehandel er værd det, afhænger af den ingeniørtid, der er tilgængelig internt, ikke af hvilken mulighed der er mærket open source.
Læs videre: Opus 5 koster halvdelen af Fable 5 | Agenten var aldrig den svære del
