導語：英偉達磋磨團隊本周發(fā)布開源框架 Polar，在不禁錮原有器用調(diào)用、高下文組織和補丁提交樣子的前提下，讓 Codex、Claude Code、Qwen Code 等現(xiàn)存智能體框架接入 GRPO（廣義相對戰(zhàn)略優(yōu)化）檢會。

IT 之家? 5 月 28 日音塵，英偉達磋磨團隊本周發(fā)布開源框架 Polar，在不禁錮原有器用調(diào)用、高下文組織和補丁提交樣子的前提下，讓 Codex、Claude Code、Qwen Code 等現(xiàn)存智能體框架接入 GRPO（廣義相對戰(zhàn)略優(yōu)化）檢會。

IT 之家注：GRPO 是一種面向強化學習檢會的優(yōu)化步調(diào)，會依據(jù)獎勵信號診療模子戰(zhàn)略，讓模子在多步方案任務里學會更優(yōu)動作。

本文里，GRPO 主要用于代碼智能體檢會，讓模子在信得過器用調(diào)用和補丁提交經(jīng)由中捏續(xù)糾正發(fā)揚。

論文指出智能體強化學習正從單步任務轉向長經(jīng)由任務，比如代碼倉庫修改、瀏覽器操作和操作系統(tǒng)交互。這類任務經(jīng)常依賴現(xiàn)成實施框架，包含多輪調(diào)用、器用使用、高下文壓縮和子智能體互助。

現(xiàn)存難點在于，這些框架很難徑直改寫成傳統(tǒng)強化學習環(huán)境接口，一朝強行接入，還可能丟失重要檢會信號。

英偉達 Polar 并非重寫智能體框架，聚焦在模子 API 范圍放棄智能體，基本不蛻變原有 harness。

harness 指 Codex CLI、Claude Code、Qwen Code、Pi 這類智能體運行外殼。傳統(tǒng)強化學習基礎設施時常條件把這類邏輯改寫到近似 ? env.init ? ( ) 、env.step ? ( ) 、env.reset ? ( ) 的環(huán)境接口里，接入資本高，開云足球世界杯中國官網(wǎng)入口還可能丟失原生實施細節(jié)。

Polar 的核神思劃，是把智能體與模子之間的接口看成檢會范圍，而不是把實施框架自身改釀成環(huán)境。

它在實施框架和推理作事器之間放棄模子智能體，兼容 Anthropic、OpenAI、Google 作風央求，轉發(fā)央求時紀錄教唆詞、采樣 Token、對數(shù)概率和反應踐諾，再把這些信息重建成可供檢會器徒然的軌跡。

在系統(tǒng)結構上，Polar 由 rollout server 和 gateway node 構成。前者負職守務提交、會話診療、情狀捏久化和回調(diào)采納；后者老成會話實施全生命周期，包括運行時啟動、實施框架準備、軌跡構建、約束評測和資源回收。

論文還把開動化、運行中、后解決拆到孤苦職責池，并建筑 READY 緩沖區(qū)，讓運行時預熱和評測預熱在后臺并行，減少長尾任務對 GPU 檢會的攪擾。

實驗部分聚焦軟件工程任務。基于兼并個 Qwen3.5-4B 底座模子，在 Codex、Claude Code、Qwen Code、Pi 4 種代碼實施框架上，Polar 配合 GRPO（組相對戰(zhàn)略優(yōu)化）檢會后，在 SWE-Bench Verified 的 pass@1 分數(shù)區(qū)分從 3.8% 升遷到 26.4%（增漲 594.74%）、29.8% 升遷到 34.6%、34.6% 升遷到 35.2%、34.2% 升遷到 40.4%。

在約束方面，prefix_merging 比較 per_request，把 3 個檢會設施中的更新數(shù)從 1185 次降到 218 次，墻鐘時分從 189.5 分鐘裁減到 35.2 分鐘，約快 5.39 倍；rollout GPU 平均應用率也從 20.4% 升到 87.7%。

（著作為作家孤苦不雅點開云世界杯官網(wǎng) - 世界杯(中國)，不代表艾瑞網(wǎng)態(tài)度）