마이크로소프트, 오픈소스 에이전트 AI 프레임워크 Orchard 공개

주장마이크로소프트 리서치는 에이전트 인공지능(AI) 연구의 병목 현상을 해결하고자 오픈소스 프레임워크인 Orchard를 공개했습니다. 기존의 폐쇄적인 인프라와 데이터셋 문제를 극복하여 연구자들이 확장 가능한 에이전트 시스템을 구축하도록 지원합니다.

팩트Orchard의 핵심은 쿠버네티스(Kubernetes) 기반의 경량 환경 서비스인 Orchard Env입니다. 이 서비스는 에이전트의 훈련 데이터 수집부터 강화 학습, 평가까지 모든 과정을 격리된 구성 요소로 관리하여 재사용성을 높입니다.

팩트Orchard-SWE는 소프트웨어 엔지니어링 분야에서 30억 개의 활성 매개변수만을 활용해 SWE-bench Verified에서 69.7%의 성능을 기록했습니다. 가치 모델 재순위 지정 기술을 적용할 경우 성능은 73.0%까지 상승하며 이는 10배 이상 규모가 큰 모델들과 대등한 수준입니다.

교차검증기존 에이전트 훈련 방식은 실제 배포 환경과 훈련 환경 간의 불일치가 발생하는 문제가 있었습니다. Orchard는 실제 배포에 사용하는 코드덱스(Codex), 오픈클로(OpenClaw)와 같은 하네스 내부에서 직접 에이전트를 훈련해 환경적 격차를 해소합니다.

팩트Orchard-SWE는 10만 7천 개의 에이전트 상호작용 데이터를 증류해 훈련에 활용했습니다. 단순히 성공 여부만 판단하지 않고 문제 해결 과정의 생산적인 부분을 학습하는 신용 할당 지도 미세 조정 방식을 채택했습니다.

팩트강화 학습의 희소한 피드백 문제를 해결하기 위해 균형 잡힌 적응형 롤아웃과 밀집 보상 기법을 도입했습니다. AI 판사가 단계별 문제 해결 과정을 평가하는 프로세스 보상 모델을 통해 최종 결과와 무관하게 올바른 추론 과정을 학습하도록 설계했습니다.

팩트Orchard-GUI는 40억 개의 매개변수를 가진 시각-언어 모델을 사용하여 웹 탐색 작업을 수행합니다. 단 400개의 증류된 시연과 2,200개의 훈련 작업만으로 웹보이저(WebVoyager) 등 주요 벤치마크에서 평균 68.4%의 성능을 달성했습니다.

주장Orchard는 특정 훈련 프레임워크에 종속되지 않는 독립적인 런타임 환경을 지향합니다. 연구자들은 인프라를 처음부터 다시 구축할 필요 없이 새로운 벤치마크나 훈련 알고리즘을 유연하게 도입할 수 있습니다.

교차검증에이전트 AI는 단순한 질의응답을 넘어 복잡한 다단계 환경에서 계획하고 행동하는 자율 시스템으로 진화하고 있습니다. 그러나 이러한 시스템 구축을 위한 샌드박스나 데이터셋은 대부분 독점적이라 일반 연구자들의 접근이 제한적이라는 한계가 존재합니다.

주장이번 프레임워크 공개는 연구 커뮤니티가 개방형 에이전트 시스템을 연구하도록 돕는 데 목적이 있습니다. 마이크로소프트는 훈련 데이터와 평가 방법을 함께 제공하여 생태계 확장을 도모합니다.

팩트Orchard는 연구자들이 인프라 제약 없이 에이전트의 성능을 검증하고 개선하도록 돕는 도구 모음입니다. 이는 에이전트 AI의 기술적 진입 장벽을 낮추는 역할을 합니다.

출처본 내용은 마이크로소프트 리서치 공식 블로그를 통해 Orchard의 기술적 사양과 연구 목적을 교차 검증했습니다.