마이크로소프트, 오픈소스 에이전틱 AI 프레임워크 ‘Orchard’ 공개

마이크로소프트 리서치 공식 발표에 따르면 연구진은 에이전트 학습과 평가에 필요한 실행 환경을 여러 작업에서 재사용할 수 있도록 설계한 오픈소스 프레임워크 ‘Orchard’를 공개했다. 소프트웨어 개발과 웹 탐색, 개인 비서 작업에 서로 다른 학습 레시피를 적용하면서도 격리 환경과 데이터 수집, 평가 기반은 함께 쓰는 구조다.

핵심 구성 요소인 ‘Orchard Env’는 쿠버네티스 기반 환경 서비스다. 샌드박스 생성과 삭제, 명령 실행, 파일 입출력, 네트워크 통제 같은 기능을 REST API와 파이썬 SDK로 제공한다. 특정 학습 프레임워크나 에이전트 실행 도구에 종속되지 않도록 환경 계층을 분리한 것이 특징이다.

마이크로소프트는 이 구조가 대규모 에이전트 연구의 반복 비용을 낮출 수 있다고 설명했다. 연구팀이 새 벤치마크나 학습 알고리즘을 시험할 때마다 격리 실행 인프라를 다시 만들지 않고, 같은 환경에서 학습 데이터 수집과 강화학습 롤아웃, 최종 평가를 수행할 수 있다는 것이다. 여러 샌드박스를 병렬로 실행할 수 있어 실제 에이전트 작업에 필요한 상태와 도구 사용 과정도 함께 다룬다.

Orchard는 실제 배포에 쓰이는 에이전트 실행 도구 안에서 모델을 학습할 수 있도록 설계됐다. 공식 발표는 Codex와 OpenClaw, ZeroClaw 같은 도구를 예로 들었다. 경량 프록시가 실행 도구의 모델 호출을 학습 데이터로 기록하고, 각 롤아웃은 별도 컨테이너에서 수행된다. 단순화한 학습용 루프와 실제 배포 환경 사이의 차이를 줄이려는 접근이다.

연구진은 소프트웨어 개발용 ‘Orchard-SWE’, 브라우저 탐색용 ‘Orchard-GUI’, 개인 비서용 ‘Orchard-Claw’ 등 세 가지 레시피를 함께 공개했다. Orchard-SWE는 약 10만7천 건의 에이전트 상호작용을 학습에 활용했다. 실패한 시도에서도 유효한 문제 해결 구간을 골라 학습하고, 강화학습과 과정 보상, 과거 롤아웃으로 만든 가치 모델을 조합했다.

논문에 따르면 약 30억 개 활성 매개변수를 사용하는 Orchard-SWE는 SWE-bench Verified에서 69.7%를 기록했고, 가치 모델로 여러 후보 해법을 재정렬했을 때 73.0%에 도달했다. Orchard-GUI는 40억 매개변수 비전언어모델을 400개의 증류 예시와 2천200개의 개방형 작업으로 학습해 세 웹 탐색 벤치마크 평균 68.4%를 기록했다. 이 수치는 마이크로소프트 연구진의 평가 결과이며 독립 재현 결과는 아직 별도로 확인되지 않았다.

개인 비서 작업을 겨냥한 Orchard-Claw는 200개의 합성 작업으로 학습됐다. 연구진은 Claw-Eval에서 세 번까지 시도했을 때 59.6%를 완료했고, ZeroClaw 실행 도구와 결합하면 73.9%를 기록했다고 밝혔다. Codex 환경에서는 학습 전 18.6%였던 성공률이 학습 후 51.5%로 높아졌다는 결과도 제시했다.

프로젝트 저장소는 Orchard Env와 학습 코드, 데이터셋, 평가 방법을 공개하고 있으며 MIT 라이선스를 적용한다. 에이전트 경쟁이 모델 크기뿐 아니라 실행 환경과 데이터 수집, 보상 설계로 넓어지는 상황에서 공통 환경 계층을 개방했다는 점이 의미를 갖는다. 다만 공개 성능을 실제 제품 환경에 적용할 때는 작업 난도와 실행 도구, 보안 정책, 인프라 비용에 따른 차이를 별도로 검증해야 한다.

출처: Microsoft Research 공식 블로그 https://www.microsoft.com/en-us/research/blog/orchard-an-open-framework-for-scalable-agentic-ai/
출처: Microsoft Orchard 공식 GitHub 저장소 https://github.com/microsoft/Orchard
출처: Orchard 연구자 원문 https://arxiv.org/abs/2605.15040