5 月 28 日消息，英伟达研究团队本周发布开源框架 Polar，在不破坏原有工具调用、上下文组织和补丁提交方式的前提下，让 Codex、Claude Code、Qwen Code 等现有智能体框架接入 GRPO（广义相对策略优化）训练。
IT之家注：GRPO 是一种面向强化学习训练的优化方法，会依据奖励信号调整模型策略，让模型在多步决策任务里学会更优动作。
本文里，GRPO 主要用于代码智能体训练，让模型在真实工具调用和补丁提交流程中持续改进表现。
论文指出智能体强化学习正从单步任务转向长流程任务，比如代码仓库修改、浏览器操作和操作系统交互。这类任务往往依赖现成执行框架，包含多轮调用、工具使用、上下文压缩和子智能体协作。
现有难点在于，这些框架很难直接改写成传统强化学习环境接口，一旦强行接入，还可能丢失关键训练信号。
英伟达 Polar 并非重写智能体框架，聚焦在模型 API 边界放置智能体，基本不改动原有 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通常要求把这类逻辑改写到类似 env.init ()、env.step ()、env.reset () 的环境接口里，接入成本高，还可能丢失原生执行细节。
Polar 的核心设计，是把智能体与模型之间的接口当作训练边界，而不是把执行框架本身改造成环境。
它在执行框架和推理服务器之间放置模型智能体，兼容 Anthropic、OpenAI、Google 风格请求，转发请求时记录提示词、采样 Token、对数概率和响应内容，再把这些信息重建成可供训练器消费的轨迹。
在系统结构上，Polar 由 rollout server 和 gateway node 组成。前者负责任务提交、会话调度、状态持久化和回调接收；后者负责会话执行全生命周期，包括运行时启动、执行框架准备、轨迹构建、结果评测和资源回收。
论文还把初始化、运行中、后处理拆到独立工作池，并设置 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 训练的阻塞。
实验部分聚焦软件工程任务。基于同一个 Qwen3.5-4B 底座模型，在 Codex、Claude Code、Qwen Code、Pi 4 种代码执行框架上，Polar 配合 GRPO（组相对策略优化）训练后，在 SWE-Bench Verified 的 pass@1 分数分别从 3.8% 提升到 26.4%（增涨 594.74%）、29.8% 提升到 34.6%、34.6% 提升到 35.2%、34.2% 提升到 40.4%。
在效率方面，prefix_merging 相比 per_request，把 3 个训练步骤中的更新数从 1185 次降到 218 次，墙钟时间从 189.5 分钟缩短到 35.2 分钟，约快 5.39 倍；rollout GPU 平均利用率也从 20.4% 升到 87.7%。
IT之家附上参考地址
- Polar: Agentic RL on Any Harness at Scale
- Polar