Öppen källkod för AI är äntligen på väg ikapp jättarna – men bara om vi slutar uppfinna hjulet om och om igen. Forskare har presenterat Orchard, ett nytt ramverk som flyttar fokus från ren koordination till skalbar träning. Det bevisar att man inte behöver en enorm, proprietär infrastruktur för att bygga kraftfulla autonoma agenter.

I kärnan erbjuder Orchard en lättviktig miljöservice som hanterar den komplexa livscykeln för uppgifter. Detta gör det möjligt för utvecklare att återanvända data och träningsmetoder över olika domäner. Istället för att bygga isolerade system tillhandahåller ramverket tre distinkta recept för kodning, datoranvändning och personlig assistans. Det förenklar processen att förvandla stora språkmodeller till agenter som kan planera, resonera och interagera effektivt med digitala miljöer.

Resultaten är slående. Inom kodning nådde modellen Orchard-SWE en state-of-the-art framgångsgrad på 67,5 procent på SWE-bench Verified. Den slog många proprietära konkurrenter samtidigt som den förblev öppen källkod. Ännu imponerande är Orchard-GUI, som tränade en visionsspråklig agent med endast 0,4K distillerade trajektorier. Trots den lilla datamängden blev den den starkaste öppna modellen för datoranvändning och tävlade direkt med dygna, stängda system.

Slutsatsen är tydlig: lättviktig, öppen infrastruktur möjliggör återanvändbara agentic data och träningsrecept som fungerar över domäner. Genom att koppla miljölagret från specifika modeller visar Orchard att högpresterande autonoma agenter inte längre är exklusivt för välbetalda laboratorier. Tröskeln för att bygga kapabla AI-agenter har just sänkts avsevärt.