Quanto custa, de fato, treinar um agente? Qualquer pessoa que já construiu um conhece a resposta desconfortável: o modelo não é a parte cara. A infraestrutura é.
Todo agente precisa de um sandbox — um container isolado com seu próprio sistema de arquivos, regras de rede e permissões de execução. Um agente de código precisa de um repositório simulado. Um agente de navegador precisa de páginas renderizadas. Um assistente pessoal precisa de e-mail e calendários montados. Mudou o domínio da tarefa? Reconstrói o sandbox. Trocou o modelo? Reconstrói de novo. Entrou em uma nova fase de treinamento — destilação de dados, rollout de RL, avaliação? Reconstrói uma terceira vez. A maioria dos pesquisadores queima energia e computo reconstruindo encanamento em vez de estudar agentes. É exatamente esse gargalo que a Microsoft atacou ao tornar o Orchard open source sob a licença MIT em 3 de agosto.
O Que o Orchard Faz de Verdade
O núcleo do Orchard é um serviço de ambientes nativo do Kubernetes chamado Orchard Env, e sua filosofia de design se comprime em uma frase: tirar o ambiente do framework de treinamento de agentes e transformá-lo em uma camada de serviço independente e reutilizável.
Isso parece óbvio, e quase nenhum framework existente consegue fazê-lo. LangGraph, CrewAI e AutoGen embutem o ambiente dentro da sua lógica de código — se você quer o sandbox deles, adota o pipeline de treinamento inteiro deles. E2B, Daytona e Modal vendem ambientes isolados como serviço, mas te prendem a uma plataforma de nuvem específica, trazem custos de migração dolorosos e mantêm seus núcleos fechados. O Orchard Env roda sobre Kubernetes e expõe uma API REST padronizada para todo o ciclo de vida do sandbox: criar, executar comandos, ler e escrever arquivos, controlar rede, destruir. Por ser um serviço autônomo, uma única instância do Env atende coleta de dados, rollout de RL e avaliação simultaneamente — sem reconstruções por fase.
O truque mais sofisticado é treinar diretamente dentro de harnesses reais de implantação — incluindo Codex, OpenClaw, ZeroClaw e ReACT. O desenvolvimento de agentes sempre carregou uma incompatibilidade de simulação: você treina em um ambiente simplificado, implanta no harness real, e o desempenho cai. O Orchard fecha esse ciclo com um proxy leve que registra as próprias chamadas de modelo do harness como dados de treinamento, enquanto cada rollout roda em seu próprio container. O agente treina dentro do harness de implantação final desde o primeiro dia.
Três Receitas, Uma Lição: Modelos Pequenos Mais Bons Ambientes Equivalem a Agentes Fortes
O Orchard chega como mais do que um framework — vem com três receitas de treinamento validadas.
O Orchard-SWE, o agente de engenharia de software, destila 107.000 trajetórias de interação de dois modelos abertos de fronteira (MiniMax-M2.5 e Qwen3.5-397B). O treinamento usa SFT com atribuição de crédito: mesmo quando o agente falha em resolver um problema por completo, os segmentos que ele lidou corretamente ainda ensinam. A fase de RL adiciona Balanced Adaptive Rollout para lidar com recompensas esparsas, além de orientação densa de destilação on-policy e um modelo de recompensa por processo. O resultado: aproximadamente 3 bilhões de parâmetros ativos alcançando 69,7 por cento no SWE-bench Verified — 73,0 por cento após reranking com modelo de valor — chegando perto de sistemas de fronteira dez vezes maiores.
O Orchard-GUI, o agente de navegador, é um modelo visão-linguagem de 4 bilhões de parâmetros treinado com apenas 400 demonstrações destiladas mais 2.200 tarefas da web aberta. Ele alcança 68,4 por cento de média entre WebVoyager (74,1), Online-Mind2Web (67,0) e DeepShop (64,0) — o agente GUI aberto mais forte já registrado, em paridade com sistemas fechados da OpenAI e do Google. Essa eficiência de dados é o detalhe revelador: quando o ambiente é bem projetado, a qualidade dos dados vence o volume por uma margem enorme.
O Orchard-Claw, o agente assistente pessoal, treina com meras 200 tarefas sintéticas. Ele completa 59,6 por cento do Claw-Eval em uma única tentativa, subindo para 73,9 por cento quando pareado com o ZeroClaw. E sob o harness Codex, a taxa de sucesso pós-treinamento saltou de 18,6 para 51,5 por cento. Esse último número é a prova mais clara de por que treinar dentro do harness real importa: treine fora do seu ambiente de implantação e o efeito despenca.
O Argumento do Orçamento: Open Source como Item de Custo
A economia é tão concreta quanto a arquitetura. A comparação de custos da RuntimeWire modela uma carga de 128 sandboxes, cada um com 2 vCPU e 8 GiB de memória, rodando por 240 horas:
- Orchard Env: $3.362 em instâncias on-demand, $673 em spot
- E2B / Daytona: $7.078
- Modal: $10.305
A vantagem vem de duas direções. O agendamento elástico nativo do Kubernetes é estruturalmente mais barato que plataformas proprietárias. E a reutilização entre fases elimina desperdício: um único cluster de sandboxes roda destilação, treinamento de RL e avaliação juntos, em vez de provisionar um cluster separado por fase. Open source aqui não é ideologia; é uma linha do orçamento.
Por Que Isso é Mais que Mais Um Framework
Removendo as notas de lançamento, restam três mudanças estruturais.
Primeira: a camada de ambiente está desacoplada. O desenvolvimento de agentes tem sido um três-em-um de ambiente, treinamento e implantação — mude um, refaça tudo. Extrair o ambiente para um serviço autônomo é uma separação de responsabilidades para a infraestrutura de agentes, o mesmo movimento que os sistemas operacionais fizeram ao separar o sistema de arquivos das aplicações e permitir que todo programa compartilhasse um.
Segunda: a lacuna entre treinar e implantar está desaparecendo. Treinar no harness real soa trivial e quase ninguém conseguia fazê-lo. Uma vez que as próprias chamadas do harness se tornam o sinal de treinamento, a lacuna entre simulação e implantação deixa de ser um problema que cada equipe conserta manualmente e se torna uma propriedade da infraestrutura.
Terceira: o aprendizado de agentes se torna cumulativo. O artigo aponta para tratar as trajetórias de treinamento como ativos duradouros em vez de subprodutos descartáveis — destilados em modelos de valor reutilizáveis que a próxima geração de agentes herda. Se esse caminho se confirmar, o treinamento de agentes muda de cada geração-começa-do-zero para uma verdadeira transferência geracional.
O Que as Equipes Devem Fazer Com Isso
- Construindo infraestrutura de agentes? O Orchard Env pode substituir de cara sua gestão de sandboxes caseira, e a base Kubernetes significa que não há um novo paradigma de orquestração para aprender.
- Construindo um agente de código? O SFT com atribuição de crédito e os designs de recompensa densa do Orchard-SWE são estratégias de treinamento diretamente reutilizáveis — código e dados são ambos públicos.
- Fazendo benchmarks de agentes abertos? O Orchard-GUI e o Orchard-Claw redefinem as baselines. A média de 68,4 por cento da receita de GUI a partir de 400 demonstrações merece uma leitura cuidadosa por si só.
- Pensando no longo prazo? Se trajetórias-como-ativos ganhar validação da comunidade, a competição muda de quem tem o modelo maior para quem projeta melhores ambientes e pipelines — território natural para a comunidade open source.
O repositório vive em microsoft/Orchard no GitHub, modelos e dados no Hugging Face, e o artigo como preprint 2605.15040 no arXiv.
Uma nota final: o artigo cita o OpenClaw e o ZeroClaw como harnesses de implantação suportados — não como um item de checklist de compatibilidade, mas como evidência de que o framework foi projetado desde o início para se conectar ao ecossistema de agentes existente. Para os usuários do ecossistema Claw, uma base de treinamento aberta, reproduzível e com custos controlados agora está no lugar.
