导语：英伟达研究团队本周发布开源框架 Polar，在不苟且原有器用调用、高下文组织和补丁提交时势的前提下，让 Codex、Claude Code、Qwen Code 等现存智能体框架接入 GRPO（广义相对政策优化）捕快。

IT 之家  5 月 28 日音书，英伟达研究团队本周发布开源框架 Polar，在不苟且原有器用调用、高下文组织和补丁提交时势的前提下，让 Codex、Claude Code、Qwen Code 等现存智能体框架接入 GRPO（广义相对政策优化）捕快。

IT 之家注：GRPO 是一种面向强化学习捕快的优化设施，会依据奖励信号治愈模子政策，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捕快，让模子在真确器用调用和补丁提交经过中执续更正阐明。

论文指出智能体强化学习正从单步任务转向长经过任务，比如代码仓库修改、浏览器操作和操作系统交互。这类任务频频依赖现成施行框架，包含多轮调用、器用使用、高下文压缩和子智能体联接。

现存难点在于，澳门威斯人app2026世界杯中国官方下载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，还可能丢失关节捕快信号。

英伟达 Polar 并非重写智能体框架，聚焦在模子 API 限制摈弃智能体，基本不编削原有 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频繁条款把这类逻辑改写到相似   env.init   ( ) 、env.step   ( ) 、env.reset   ( ) 的环境接口里，接入老本高，豪门国际官网娱乐平台还可能丢失原生施行细节。

Polar 的中枢策画，是把智能体与模子之间的接口作为捕快限制，而不是把施行框架自己改变成环境。

它在施行框架和推理事业器之间摈弃模子智能体，兼容 Anthropic、OpenAI、Google 立场央求，转发央求时纪录辅导词、采样 Token、对数概率和反映本体，再把这些信息重建成可供捕快器糟践的轨迹。

在系统结构上，Polar 由 rollout server 和 gateway node 构成。前者负包袱务提交、会话障碍、情景执久化和回调接受；后者风雅会话施行全人命周期，包括运行时启动、施行框架准备、轨迹构建、狂妄评测和资源回收。

论文还把运行化、运行中、后措置拆到闲逸使命池，并开发 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 捕快的梗阻。

实验部分聚焦软件工程任务。基于归拢个 Qwen3.5-4B 底座模子，在 Codex、Claude Code、Qwen Code、Pi 4 种代码施行框架上，Polar 配合 GRPO（组相对政策优化）捕快后，在 SWE-Bench Verified 的 pass@1 分数诀别从 3.8% 擢升到 26.4%（增涨 594.74%）、29.8% 擢升到 34.6%、34.6% 擢升到 35.2%、34.2% 擢升到 40.4%。

在后果方面，prefix_merging 比拟 per_request，把 3 个捕快身手中的更新数从 1185 次降到 218 次，墙钟技巧从 189.5 分钟贬低到 35.2 分钟，约快 5.39 倍；rollout GPU 平均期骗率也从 20.4% 升到 87.7%。

（著作为作家闲逸不雅点豪门国际官网娱乐平台，不代表艾瑞网立场）