微软放出 Orchard：3B 参数在 SWE-bench 砍下 73%，硬刚 10 倍大模型

3B 参数，在 SWE-bench 追平 300B 俱乐部

微软研究院 8 月 3 日开源了智能体建模框架 Orchard，其软件工程 agent Orchard-SWE 在 SWE-bench Verified 上达到 69.7%，经 value-model 重排序后升至 73.0%——而它只用了约 30 亿激活参数。¹

微软研究院在博客中写道，这"逼近使用 10 倍以上大模型的前沿系统"——论文中的对比图显示，达到类似分数的 MiniMax-M2.1（74.0%）、DeepSeek-V3.2（73.1%）和 GLM-4.7（73.8%）参数规模均远超 Orchard-SWE。¹²

与框架一同放出的还有 107,000 条 SWE 训练轨迹、评估方法以及完整的 MIT 协议代码库。³

社区反应：Wenlin Yao 亲自推广，Spotify 工程师直指核心

论文共同作者、微软研究院 Principle Researcher Wenlin Yao 在 Orchard 官宣后发推："Orchard 现已全面开放——代码、数据和新结果。来试试！"⁴

Spotify 后端工程师 Mohammed Aboullaite 评论称，Orchard 的架构思路值得注意——它不把模型当作整个 agent，而是将环境做成可复用层，直接在 Codex、OpenClaw 等真实部署 harness 中训练。他写道，这"很好地说明了 agent 性能正越来越多地成为一个系统工程问题，而不仅是模型规模问题"。⁵

5 月挂论文，7 月放 RL，8 月全面开源

Orchard 的开源是一个渐进的节奏。论文早在 2026 年 5 月就已登上 arXiv（arXiv:2605.15040），当时报告 Orchard-SWE 在 SWE-bench Verified 的分数为 67.5%。²

6 月，团队发布 OpenWebRL，将 Orchard-GUI 扩展到真实网站上的在线多轮强化学习。³ 7 月，OpenForge RL 上线——这套工具让 agent 可以直接在 ZeroClaw、OpenClaw、Codex 等真实 harness 中跑 RL 训练，消除了简化训练环境与真实部署之间的错配。³

到 8 月 3 日，微软研究院通过官方博客将整个 Orchard 堆栈一次性放出：环境服务、三条训练配方（Orchard-SWE、Orchard-GUI、Orchard-Claw）、训练数据以及评估方法。¹ 从论文到全面开源，前后不到三个月。

此前，开源 agent 研究长期受困于基础设施碎片化——每个团队需从零搭建沙箱、训练管线和评估流程。Orchard 的做法是把环境层做成独立服务，让不同任务共用一套底座，以此降低复现和比较的门槛。¹

环境层才是 agent 的胜负手

Orchard 的核心不是模型，是一个叫 Orchard Env 的环境服务层。

这套 Kubernetes 原生的轻量服务提供沙箱生命周期管理、命令执行、文件 I/O 和网络隔离，通过 REST API 对外暴露。性能数据：单条命令执行延迟平均 0.28 秒，比 E2B 快 2.7 倍，比 Modal 快 7.3 倍；并行拉起 1000 个沙箱，26 秒完成，成功率 100%。³

Orchard 的另一项关键设计是让 agent 直接在真实部署 harness 中训练。大多数开源训练工具只能跑简化版 agent 逻辑，训练环境与部署环境存在错配。Orchard 通过轻量代理记录 harness 自身的模型调用作为训练数据，让 agent 在 Codex、OpenClaw、ZeroClaw 等真实环境中端到端训练。切换 harness 只需改一条命令，不用重建镜像。¹³

训练方法上，Orchard-SWE 用了三个递进手段：credit-assignment SFT 从失败轨迹中提取有效片段，不让失败的尝试白费；Balanced Adaptive Rollout 在稀疏奖励条件下自适应分配 rollout 资源；最后训练一个 40 亿参数的 value model 对候选解重新排序，将分数从 69.7% 推至 73.0%。¹

过去拼模型大小，现在拼基础设施

在 Orchard 之前，SWE-bench Verified 的领先者几乎全是参数规模数百 B 甚至上 T 的模型。论文中的性能对比图显示：MiniMax-M2.1（74.0%）和 GLM-4.7（73.8%）位列前茅，开源社区的 OpenSWE-32B（62.4%）和 Scale-SWE-Agent（64.0%）则与前沿存在约 10 个百分点的差距。²

Orchard 把差距缩小到了 1 个百分点以内——而且只用约 3B 激活参数。

这一转折的实质是：agent 性能的提升路径正在分化。一条路是继续放大模型，另一条路是优化训练环境和基础设施。Orchard 证明了后者在性价比上的竞争力。Spotify 工程师 Mohammed Aboullaite 的评价点到了核心——"agent 性能正越来越多地成为一个系统工程问题，而不仅是模型规模问题"。⁵

微软研究院在博客中同时指出，团队计划让 Orchard 的训练经验可以累积复用——将已完成的 rollout 轨迹蒸馏为可复用的 value model，让新一代 agent 继承前人经验，而非每次从零开始。¹

agent 的下半场，从环境开始

3B 参数追平 300B 俱乐部，这件事的意义不在数字本身，而在于它揭露了一个被行业长期低估的事实：在 agent 这条赛道上，环境基础设施的差距，远比模型参数的差距更能决定最终表现。Orchard 把这件事做成了可复现的开源项目——这比任何一个 benchmark 分数都更有说服力。

Footnotes

1. Microsoft Research Blog, "Orchard: An open framework for scalable agentic AI," 2026-08-03. https://www.microsoft.com/en-us/research/blog/orchard-an-open-framework-for-scalable-agentic-ai/ ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷

2. Peng et al., "Orchard: An Open-Source Agentic Modeling Framework," arXiv:2605.15040, 2026-05. https://arxiv.org/abs/2605.15040 ↩ ↩² ↩³

3. GitHub, microsoft/Orchard. https://github.com/microsoft/Orchard ↩ ↩² ↩³ ↩⁴ ↩⁵

4. Wenlin Yao (@YaoWenlin), X post, 2026-08-03. https://x.com/YaoWenlin/status/2084386519750693070 ↩

5. Mohammed Aboullaite (@laytoun), X post, 2026-08-06. https://x.com/laytoun/status/2085302004146999412 ↩ ↩²