Orchard – মাইক্রোসফট রিসার্চের ওপেন-সোর্স Agentic AI মডেলিং ফ্রেমওয়ার্ক চালু আছে

Orchard হলো মাইক্রোসফট রিসার্চের তৈরি ওপেন-সোর্স Agentic AI মডেলিং ফ্রেমওয়ার্ক। এর মূলভিত্তি Kubernetes-ভিত্তিক Orchard Env পরিবেশ পরিষেবা, যা বিভিন্ন ডোমেইনে স্যান্ডবক্স পুনর্ব্যবহার করে ডেটা ডিস্টিলেশন, রিইনফোর্সমেন্ট লার্নিং rollout এবং মূল্যায়ন সমর্থন করে। ফ্রেমওয়ার্কটি সফটওয়্যার ইঞ্জিনিয়ারিং, ব্রাউজার নেভিগেশন এবং ব্যক্তিগত সহকারী, এই তিনটি প্রধান ক্ষেত্রকে সমর্থন করে এবং প্রশিক্ষণ ডেটা ও মূল্যায়ন পদ্ধতি ওপেন-সোর্স করেছে।

বিভিন্ন ডোমেইনের জন্য একীভূত পরিবেশ পরিষেবা: Orchard Env স্যান্ডবক্সের জীবনচক্র ব্যবস্থাপনা, কমান্ড সম্পাদন, ফাইল I/O, নেটওয়ার্ক নীতি এবং REST API প্রদান করে। একই অবকাঠামো কোড, ওয়েব, ডেস্কটপ, মোবাইল এবং প্রোডাক্টিভিটি ওয়ার্কফ্লো সমর্থন করতে পারে।
তিনটি ক্ষেত্রের প্রশিক্ষণ রেসিপি: Orchard-SWE কোড মেরামতে, Orchard-GUI ভিজ্যুয়াল ওয়েব নেভিগেশনে এবং Orchard-Claw ইমেইল, ক্যালেন্ডারসহ দৈনন্দিন প্রোডাক্টিভিটি কাজে বিশেষায়িত। প্রতিটিতে সম্পূর্ণ SFT + RL প্রশিক্ষণ পাইপলাইন রয়েছে।
বাস্তব Harness-এ প্রশিক্ষণ: Codex, OpenClaw, ZeroClaw-এর মতো বাস্তব ডিপ্লয়মেন্ট harness-এ সরাসরি end-to-end প্রশিক্ষণ ও মূল্যায়ন চালানো যায়, ফলে প্রশিক্ষণ ও ডিপ্লয়মেন্ট পরিবেশের অসামঞ্জস্য দূর হয়।
ওপেন-সোর্স ডেটাসেট ও মূল্যায়ন প্রোটোকল: 107Kটি SWE ট্রাজেক্টরি এবং 3,070টি GUI মাল্টিমোডাল rollout ডেটা, পাশাপাশি সংশ্লিষ্ট মূল্যায়ন বেঞ্চমার্ক ও পুনরুৎপাদনযোগ্য রেসিপি প্রকাশ করা হয়েছে।

WeChat-এ অনুসরণ করে “ওপেন সোর্স” লিখে উত্তর পাঠান এবং AI ওপেন-সোর্স প্রকল্পের আলোচনা গ্রুপে যোগ দিন
Kubernetes-native পরিবেশ স্তর: Orchard Env একটি স্বতন্ত্র পরিষেবা হিসেবে চলে। কনটেইনার অর্কেস্ট্রেশনের মাধ্যমে এটি একসঙ্গে হাজার হাজার বিচ্ছিন্ন স্যান্ডবক্স তৈরি ও ধ্বংস করতে পারে। গড় কমান্ড সম্পাদন বিলম্ব মাত্র 0.28 সেকেন্ড; এতে স্বয়ংক্রিয় স্কেলিং এবং Redis distributed lock সমর্থিত।
Credit-Assignment SFT: সফটওয়্যার ইঞ্জিনিয়ারিং ক্ষেত্রে সিস্টেম আংশিকভাবে ব্যর্থ ট্রাজেক্টরি বাতিল করে না। বরং কার্যকর অংশ থেকে তত্ত্বাবধান সংকেত সংগ্রহ করে ব্যবহারযোগ্য প্রশিক্ষণ ডেটার পরিমাণ সর্বাধিক করে।
Balanced Adaptive Rollout + ঘন পুরস্কার: RL-এর sparse feedback সমস্যা মোকাবিলায় ভারসাম্যপূর্ণ adaptive rollout ব্যবহার করে বিরল সফলতার সংকেত সংগ্রহ করা হয়। পাশাপাশি on-policy ডিস্টিলেশন এবং নিয়মভিত্তিক প্রক্রিয়া reward model যুক্ত করে মধ্যবর্তী ধাপগুলোর জন্য ঘন নির্দেশনা দেওয়া হয়।
Value Model পুনঃর‌্যাঙ্কিং: 20টি ঐতিহাসিক পরীক্ষার rollout ট্রাজেক্টরি ব্যবহার করে 4B প্যারামিটারের value model প্রশিক্ষণ দেওয়া হয়। ইনফারেন্সের সময় এটি একাধিক সম্ভাব্য সমাধানকে স্কোর করে সেরা সমাধান বেছে নেয়, ফলে Orchard-SWE-এর ফলাফল 69.7% থেকে 73.0%-এ উন্নীত হয়।
Harness-Agnostic এজেন্ট রেকর্ডিং: একটি হালকা এজেন্ট recording harness-এর নিজস্ব মডেল কল রেকর্ড করে সেগুলোকে প্রশিক্ষণ নমুনায় রূপান্তর করে। ফলে পরিবেশের ইমেজ পরিবর্তন না করেই যেকোনো RL কোডবেসের সঙ্গে যেকোনো harness সংযুক্ত করা যায়।

SDK ইনস্টল করুন: Python SDK ইনস্টল করতে pip install -e "orchard_env[dev]" চালান এবং SANDBOX_BASE_URL ও SANDBOX_API_KEY পরিবেশ ভেরিয়েবল কনফিগার করুন।
দ্রুত স্যান্ডবক্স কল: SandboxClient context manager ব্যবহার করে স্যান্ডবক্স তৈরি ও কমান্ড সম্পাদন করুন। synchronous ও asynchronous mode, ফাইল পড়া-লেখা, git patch প্রয়োগ এবং PTY session সমর্থিত।
Orchestrator ডিপ্লয় করুন: Azure AKS-এর চারটি স্ক্রিপ্ট (provision, build, deploy, smoke-test) ব্যবহার করে প্রায় 20 মিনিটে বহু-রেপ্লিকা orchestrator ডিপ্লয় করা যায়। Azure-বহির্ভূত ক্লাস্টারও সমর্থিত।
প্রশিক্ষণ রেসিপি চালান: GitHub repository-এর trainer/slime/ ডিরেক্টরি অনুসরণ করে Orchard Env-এ Orchard-SWE, Orchard-GUI অথবা Orchard-Claw-এর সম্পূর্ণ SFT + RL প্রশিক্ষণ প্রক্রিয়া চালান।

ছোট মডেলে বড় মডেলের কাছাকাছি পারফরম্যান্স: Orchard-SWE প্রায় 3B সক্রিয় প্যারামিটার ব্যবহার করে SWE-bench Verified-এ 73.0% অর্জন করে, যা 10 গুণেরও বেশি প্যারামিটারের frontier system-এর কাছাকাছি। Orchard-GUI 4B প্যারামিটার ব্যবহার করে তিনটি প্রধান ওয়েব বেঞ্চমার্কে গড়ে 68.4% অর্জন করে, যা OpenAI CUA ও Gemini CUA-এর সমতুল্য।
খরচ উল্লেখযোগ্যভাবে কম: E2B, Daytona-এর মতো managed sandbox service-এর তুলনায় Orchard Env-এর on-demand খরচ প্রায় 0.47 গুণ এবং Spot instance-এর খরচ মাত্র 0.10 গুণ, অর্থাৎ প্রায় 10 গুণের পার্থক্য।
Cross-Harness সাধারণীকরণ শক্তিশালী: একই পরিবেশ স্তর ReACT, ZeroClaw, OpenClaw, Codex-এর মতো বিভিন্ন harness সমর্থন করে। ZeroClaw-এ Orchard-Claw-এর pass@3 59.6% থেকে বেড়ে 73.9% হয়েছে।
প্রশিক্ষণ ডেটার দক্ষ ব্যবহার: Orchard-GUI মাত্র 400টি distilled demonstration এবং 2,200টি open task ব্যবহার করে ওপেন-সোর্সের সবচেয়ে শক্তিশালী ওয়েব Agent-এর স্তরে পৌঁছেছে। এটি প্রমাণ করে যে সঠিক পরিবেশের সঙ্গে অল্প ডেটা ব্যবহার করেও উচ্চক্ষমতাসম্পন্ন মডেল প্রশিক্ষণ দেওয়া যায়।

প্রকল্পের অফিসিয়াল ওয়েবসাইট：https://www.microsoft.com/en-us/research/blog/orchard-an-open-framework-for-scalable-agentic-ai/
GitHub repository：https://github.com/microsoft/Orchard
HuggingFace মডেল রিপোজিটরি：https://huggingface.co/datasets/microsoft/Orchard
arXiv প্রযুক্তিগত পেপার：https://arxiv.org/pdf/2605.15040

স্বয়ংক্রিয় সফটওয়্যার ইঞ্জিনিয়ারিং: বাস্তব কোডবেসে স্বয়ংক্রিয়ভাবে বাগ শনাক্ত করা, টেস্ট লেখা, প্যাচ তৈরি এবং যাচাই করা যায়। ওপেন-সোর্স প্রকল্প রক্ষণাবেক্ষণ ও প্রতিষ্ঠানের অভ্যন্তরীণ কোড পর্যালোচনায় এটি উপযোগী।
বুদ্ধিমান ওয়েব নেভিগেশন: ভিজ্যুয়াল বোঝাপড়ার ভিত্তিতে স্বয়ংক্রিয়ভাবে ব্রাউজার পরিচালনা করে টিকিট বুকিং, কেনাকাটা, তথ্য অনুসন্ধানসহ open-domain কাজ সম্পন্ন করা যায়। এটি RPA-এর বিকল্প হিসেবেও ব্যবহারযোগ্য।
ব্যক্তিগত প্রোডাক্টিভিটি সহকারী: ইমেইল, ক্যালেন্ডার, ডকুমেন্টসহ বিভিন্ন টুলে জটিল ওয়ার্কফ্লো সম্পাদন করে, যেমন স্বয়ংক্রিয়ভাবে মিটিং নির্ধারণ, ইনবক্স গোছানো এবং রিপোর্ট তৈরি।
Agent গবেষণা অবকাঠামো: একাডেমিক ও শিল্প গবেষণা দলগুলোর জন্য পুনরুৎপাদনযোগ্য ও কম খরচের Agent প্রশিক্ষণ এবং মূল্যায়ন প্ল্যাটফর্ম প্রদান করে, যা ওপেন-সোর্স Agentic AI ইকোসিস্টেমের উন্নয়ন ত্বরান্বিত করে।
বিভিন্ন ডোমেইনে Agent সক্ষমতা স্থানান্তর: একীভূত পরিবেশ স্তর ব্যবহার করে কোড, ওয়েব এবং ডেস্কটপ পরিচালনার মধ্যে দক্ষতা স্থানান্তর ও cumulative learning অন্বেষণ করা যায়।