导语：英伟达猜度团队本周发布开源框架 Polar，在不遏止原有器具调用、迤逦文组织和补丁提交形式的前提下，让 Codex、Claude Code、Qwen Code 等现存智能体框架接入 GRPO（广义相对战术优化）测验。
IT 之家 5 月 28 日音尘，英伟达猜度团队本周发布开源框架 Polar，在不遏止原有器具调用、迤逦文组织和补丁提交形式的前提下，让 Codex、Claude Code、Qwen Code 等现存智能体框架接入 GRPO（广义相对战术优化）测验。
IT 之家注：GRPO 是一种面向强化学习测验的优化方法，会依据奖励信号调养模子战术，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测验，让模子在实在器具调用和补丁提交过程中捏续校正进展。
论文指出智能体强化学习正从单步任务转向长过程任务，比如代码仓库修改、浏览器操作和操作系统交互。这类任务常常依赖现成奉行框架，包含多轮调用、器具使用、迤逦文压缩和子智能体配合。
现存难点在于，这些框架很难平直改写成传统强化学习环境接口，一朝强行接入，还可能丢失重要测验信号。
英伟达 Polar 并非重写智能体框架，聚焦在模子 API 范畴摈弃智能体，基本不改革原有 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肖似 env.init ( ) 、env.step ( ) 、env.reset ( ) 的环境接口里，接入老本高，开云体育还可能丢失原生奉行细节。
Polar 的中枢贪图，是把智能体与模子之间的接口算作测验范畴，而不是把奉行框架本人改变成环境。
它在奉行框架和推理做事器之间摈弃模子智能体，兼容 Anthropic、OpenAI、Google 作风申请，转发申请时纪录教导词、采样 Token、对数概率和反映骨子，再把这些信息重建成可供测验器破钞的轨迹。
在系统结构上，Polar 由 rollout server 和 gateway node 构成。前者负包袱务提交、会话转机、景况捏久化和回调接收；后者崇拜会话奉行全生命周期，包括运行时启动、奉行框架准备、轨迹构建、步伐评测和资源回收。
论文还把脱手化、运行中、后处治拆到闲散责任池，并诱骗 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 测验的阻碍。
本质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 种代码奉行框架上，Polar 配合 GRPO（组相对战术优化）测验后，在 SWE-Bench Verified 的 pass@1 分数分离从 3.8% 普及到 26.4%（增涨 594.74%）、29.8% 普及到 34.6%、34.6% 普及到 35.2%、34.2% 普及到 40.4%。
在成果方面，prefix_merging 比较 per_request，把 3 个测验设施中的更新数从 1185 次降到 218 次，墙钟本领从 189.5 分钟假造到 35.2 分钟，约快 5.39 倍；rollout GPU 平均哄骗率也从 20.4% 升到 87.7%。
开云体育官方网站 - KAIYUN（著述为作家闲散不雅点开云体育，不代表艾瑞网态度）