Vad Orchard egentligen kopplar loss
Microsoft Research släppte Orchard den 4 augusti 2026 som ett ramverk med öppen källkod för agentisk modellering, och beskrev det i ett blogginlägg som ett sätt att skilja hanteringen av sandlådans livscykel från träningspipelinen som används för att bygga AI-agenter. Skillnaden spelar roll eftersom att träna en agent att koda, surfa eller använda verktyg väl kräver att man kör den upprepade gånger i något som beter sig som dess verkliga driftsmiljö, inte en förenklad ersättning.
Före Orchard måste ett team som ville träna en agent på detta sätt vanligtvis bygga det sandlåde- och utvärderingslagret själv, projekt för projekt, eller betala en hanterad leverantör för att göra det. Microsoft Researchs centrala sandlådetjänst är istället tänkt att återanvändas över projekt, vilket är precis den del av lanseringen som riktar sig till team som i dag dubblerar detta infrastrukturarbete internt.
Sandlådenotan sjunker med ungefär en faktor tio
Microsoft Research rapporterade att Orchards centrala sandlådetjänst kostar ungefär en tiondel av hanterade alternativ som E2B eller Daytona när den körs på spotinstanser. Sandlådeinfrastruktur, inte modellens träningsberäkning i sig, har tyst blivit en av de större kostnadsposterna för team som låter sina agenter agera i verkliga miljöer, eftersom varje träningskörning och varje utvärderingsomgång behöver sin egen isolerade, engångskopia av den miljön.
En tiofaldig minskning på just den posten gör inte agentutveckling gratis, men den ändrar vilka projekt som klarar tröskeln för ett teams ingenjörsbudget. Arbete som tidigare inte motiverade att bygga eller hyra dedikerad sandlådeinfrastruktur gör det nu troligen, särskilt för smalare, uppgiftsspecifika agenter snarare än allmänna.
En modell med 3 miljarder parametrar når resultat som normalt kräver tio gånger fler
Den medföljande tekniska artikeln, 'Orchard: An Open-Source Agentic Modeling Framework,' rapporterar att en modell tränad med det, kallad Orchard-SWE, når 69,7% på SWE-bench Verified, och 73% med omrankning tillämpad, med bara omkring 3 miljarder aktiva parametrar. Dessa poäng hör enligt artikeln normalt till modeller ungefär tio gånger större, och påståendet har upprepats oberoende av AIBusiness och EdTechInnovationHub.
Parameterantalet är här den operativt mest intressanta siffran, mer än själva benchmarkpoängen. SWE-bench Verified mäter om en modell kan lösa verkliga mjukvaruproblem från början till slut, och att en modell med 3 miljarder aktiva parametrar når en poäng som normalt är förbehållen mycket större system tyder på att träningsmetoden och sandlådans realism, inte den råa skalan, gav resultatet.
Det verkliga beslutet för köpare i EU och Storbritannien
Varje företag som i dag betalar per uppgift till en toppleverantör som OpenAI eller Anthropic för agentiskt arbete, eller som betalar för hanterad sandlådeinfrastruktur från en leverantör som E2B eller Daytona för att bygga en agent själv, har nu en trovärdig, gratis, självhostad väg att i stället träna en smalare, billigare, skräddarsydd agent. Det är en verklig förändring i de tillgängliga alternativen, inte en marginell.
Det är dock ingen förändring från att betala till att inte betala. Öppen källkod flyttar här kostnaden från en mätt post på en leverantörs faktura till en ingenjörs- och driftsbörda inom företaget, och till vilket moln träningen faktiskt körs på, ofta Microsofts eget Azure, eftersom Microsoft byggde ramverket. Beslutet en köpare verkligen står inför är en ärlig jämförelse mellan att bygga själv, hyra eller binda sig till en ny leverantör i total kostnad och förmåga, inte ett reflexmässigt val av allt som märkts gratis.
Varför 3 miljarder aktiva parametrar ändrar kalkylen
Den operativa lärdomen av benchmarkresultatet är inte att Microsoft i dag har den bästa tillgängliga kodande agenten. Den är att en smalt och väl tränad agent kan matcha en betydligt större generell modell på en specifik uppgift, med en bråkdel av de aktiva parametrarna och, enligt Microsoft Researchs kostnadspåstående, med en bråkdel av den sandlådekostnad som krävs för att träna den. Det ändrar kalkylen för varje team som i dag av ren försiktighet väljer den största tillgängliga toppmodellen som standard.
Team som aldrig har tränat sin egen agent eftersom sandlåde- och utvärderingsinfrastrukturen såg för dyr ut att bygga har nu ett billigare sätt att testa om en smalare modell skulle klara deras specifika uppgift för en bråkdel av den löpande uppgiftsavgiften. Om den avvägningen lönar sig beror på den ingenjörstid som finns internt, inte på vilket alternativ som märkts öppen källkod.
Läs vidare: Opus 5 kostar hälften av Fable 5 | Agenten var aldrig det svåra
