Microsoft senkt Agenten-Trainingskosten um das Zehnfache

Was Orchard tatsächlich entkoppelt

Microsoft Research hat Orchard am 4. August 2026 als Open-Source-Framework für agentisches Modelltraining veröffentlicht und beschreibt es in einem Blogbeitrag als eine Möglichkeit, die Verwaltung des Sandbox-Lebenszyklus von der Trainings-Pipeline zu trennen, mit der KI-Agenten gebaut werden. Der Unterschied ist wichtig, weil das Training eines Agenten zum Coden, Browsen oder zur Werkzeugnutzung verlangt, ihn wiederholt in einer Umgebung laufen zu lassen, die sich wie seine echte Einsatzumgebung verhält, nicht wie ein vereinfachter Ersatz.

Vor Orchard musste ein Team, das einen Agenten so trainieren wollte, diese Sandbox- und Evaluationsschicht meist selbst aufbauen, Projekt für Projekt, oder einen verwalteten Anbieter dafür bezahlen. Microsoft Researchs zentraler Sandbox-Dienst ist dagegen für die Wiederverwendung über Projekte hinweg gedacht - genau der Teil der Veröffentlichung, der sich an Teams richtet, die diese Infrastrukturarbeit derzeit intern doppelt leisten.

Die Sandbox-Rechnung sinkt um etwa das Zehnfache

Microsoft Research berichtete, dass der zentrale Sandbox-Dienst von Orchard auf Spot-Instanzen etwa ein Zehntel der Kosten verwalteter Alternativen wie E2B oder Daytona verursacht. Sandbox-Infrastruktur, nicht die Trainingsrechenleistung selbst, ist für Teams, die Agenten in echten Umgebungen handeln lassen, still zu einem der größeren Kostenposten geworden, weil jeder Trainingslauf und jeder Evaluationsdurchgang eine eigene, isolierte und wegwerfbare Kopie dieser Umgebung benötigt.

Eine zehnfache Kostensenkung an dieser einen Stelle macht Agentenentwicklung nicht kostenlos, verändert aber, welche Projekte die Hürde des Entwicklungsbudgets eines Teams überhaupt noch nehmen. Arbeit, die den Aufbau oder die Miete eigener Sandbox-Infrastruktur bisher nicht rechtfertigte, tut das nun plausibel, besonders bei engeren, aufgabenspezifischen Agenten statt bei allgemeinen.

Ein Modell mit 3 Milliarden Parametern erreicht Ergebnisse, die sonst zehnmal mehr verlangen

Das begleitende technische Papier, 'Orchard: An Open-Source Agentic Modeling Framework', berichtet, dass ein damit trainiertes Modell namens Orchard-SWE 69,7 Prozent im SWE-bench Verified erreicht, mit Reranking 73 Prozent, bei nur rund 3 Milliarden aktiven Parametern. Solche Werte sind laut dem Papier normalerweise mit etwa zehnmal größeren Modellen verbunden, und die Behauptung wurde unabhängig von AIBusiness und EdTechInnovationHub wiederholt.

Die Parameterzahl ist hier die operativ interessantere Zahl, mehr als der Benchmark-Wert selbst. SWE-bench Verified misst, ob ein Modell echte Softwareprobleme durchgängig lösen kann, und ein Modell mit 3 Milliarden aktiven Parametern, das einen Wert erreicht, der sonst weit größeren Systemen vorbehalten ist, deutet darauf hin, dass die Trainingsmethode und die Realitätsnähe der Sandbox das Ergebnis erzeugt haben, nicht die reine Größe.

Die eigentliche Entscheidung für Käufer in der EU und in Großbritannien

Jedes Unternehmen, das derzeit für agentische Aufgaben pro Vorgang an einen Spitzenanbieter wie OpenAI oder Anthropic zahlt, oder das für verwaltete Sandbox-Infrastruktur eines Anbieters wie E2B oder Daytona bezahlt, um selbst einen Agenten zu bauen, hat nun einen glaubwürdigen, kostenlosen, selbst hostbaren Weg, statt dessen einen engeren, günstigeren, zweckgebauten Agenten zu trainieren. Das ist eine echte Veränderung der verfügbaren Optionen, keine geringfügige.

Es ist jedoch keine Veränderung von Zahlen zu Nichtzahlen. Open Source verschiebt hier die Kosten von einer nutzungsabhängigen Position auf der Rechnung eines Anbieters zu einer technischen und betrieblichen Last im eigenen Haus, und zu der Cloud, auf der das Training tatsächlich läuft, häufig Microsofts eigenem Azure, weil Microsoft das Framework gebaut hat. Die Entscheidung, vor der ein Käufer tatsächlich steht, ist ein echter Vergleich zwischen Eigenbau, Miete und neuer Bindung bei Gesamtkosten und Leistungsfähigkeit, kein reflexhafter Griff zu allem, was als kostenlos beschriftet ist.

Warum 3 Milliarden aktive Parameter die Rechnung verändern

Die operative Lehre aus dem Benchmark-Ergebnis ist nicht, dass Microsoft heute den besten verfügbaren Coding-Agenten besitzt. Sie ist, dass ein eng und gut trainierter Agent einem deutlich größeren allgemeinen Modell bei einer bestimmten Aufgabe gleichkommen kann, mit einem Bruchteil der aktiven Parameter und, laut Microsoft Researchs Kostenangabe, mit einem Bruchteil der Sandbox-Ausgaben, die für sein Training nötig sind. Das verändert die Rechnung für jedes Team, das derzeit rein aus Vorsicht auf das größte verfügbare Spitzenmodell setzt.

Teams, die noch nie einen eigenen Agenten trainiert haben, weil die Sandbox- und Evaluationsinfrastruktur zu teuer im Aufbau schien, haben nun eine günstigere Möglichkeit zu testen, ob ein engeres Modell ihre konkrete Aufgabe für einen Bruchteil der laufenden Gebühr pro Vorgang erledigen würde. Ob sich dieser Tausch lohnt, hängt von der intern verfügbaren Entwicklungszeit ab, nicht davon, welche Option als Open Source beschriftet ist.

Weiterlesen: Opus 5 kostet halb so viel wie Fable 5  |  Der Agent war nie das eigentliche Problem