导语：英伟达磋磨团队本周发布开源框架 Polar，在不禁锢原有器用调用、高下文组织和补丁提交样子的前提下，让 Codex、Claude Code、Qwen Code 等现存智能体框架接入 GRPO（广义相对战略优化）检会。

IT 之家  5 月 28 日音尘，英伟达磋磨团队本周发布开源框架 Polar，在不禁锢原有器用调用、高下文组织和补丁提交样子的前提下，让 Codex、Claude Code、Qwen Code 等现存智能体框架接入 GRPO（广义相对战略优化）检会。

IT 之家注：GRPO 是一种面向强化学习检会的优化步调，会依据奖励信号诊疗模子战略，让模子在多步方案任务里学会更优动作。

本文里，GRPO 主要用于代码智能体检会，让模子在信得过器用调用和补丁提交经由中捏续纠正发扬。

论文指出智能体强化学习正从单步任务转向长经由任务，比如代码仓库修改、浏览器操作和操作系统交互。这类任务经常依赖现成实施框架，包含多轮调用、器用使用、高下文压缩和子智能体互助。

现存难点在于，这些框架很难径直改写成传统强化学习环境接口，一朝强行接入，还可能丢失重要检会信号。

英伟达 Polar 并非重写智能体框架，聚焦在模子 API 范围放弃智能体，基本不蜕变原有 harness。

harness 指 Codex CLI、Claude Code、Qwen Code、Pi 这类智能体运行外壳。传统强化学习基础设施时常条件把这类逻辑改写到近似   env.init   ( ) 、env.step   ( ) 、env.reset   ( ) 的环境接口里，接入资本高，开云足球世界杯中国官网入口还可能丢失原生实施细节。

Polar 的核神思划，是把智能体与模子之间的接口看成检会范围，而不是把实施框架自身改酿成环境。

它在实施框架和推理作事器之间放弃模子智能体，兼容 Anthropic、OpenAI、Google 作风央求，转发央求时纪录教唆词、采样 Token、对数概率和反应践诺，再把这些信息重建成可供检会器徒然的轨迹。

在系统结构上，Polar 由 rollout server 和 gateway node 构成。前者负职守务提交、会话诊疗、情状捏久化和回调采纳；后者老成会话实施全生命周期，包括运行时启动、实施框架准备、轨迹构建、约束评测和资源回收。

论文还把开动化、运行中、后解决拆到孤苦职责池，并建筑 READY 缓冲区，让运行时预热和评测预热在后台并行，减少长尾任务对 GPU 检会的搅扰。

实验部分聚焦软件工程任务。基于兼并个 Qwen3.5-4B 底座模子，在 Codex、Claude Code、Qwen Code、Pi 4 种代码实施框架上，Polar 配合 GRPO（组相对战略优化）检会后，在 SWE-Bench Verified 的 pass@1 分数区分从 3.8% 升迁到 26.4%（增涨 594.74%）、29.8% 升迁到 34.6%、34.6% 升迁到 35.2%、34.2% 升迁到 40.4%。

在约束方面，prefix_merging 比较 per_request，把 3 个检会设施中的更新数从 1185 次降到 218 次，墙钟时分从 189.5 分钟裁减到 35.2 分钟，约快 5.39 倍；rollout GPU 平均应用率也从 20.4% 升到 87.7%。

（著作为作家孤苦不雅点开云世界杯官网 - 世界杯(中国)，不代表艾瑞网态度）