2026 年 5 月 28 日，英伟达研究团队正式开源了名为 Polar 的强化学习训练框架。这一框架的核心突破在于：无需修改任何现有代码 Agent 的源代码，即可将其无缝集成到 GRPO（广义相对策略优化）强化学习训练中，显著降低了 AI 编码 Agent 进化过程中的技术门槛。
从"手动调参"到"系统化训练"
过去，要让一个 AI 编码 Agent 通过强化学习提升能力，通常需要将执行框架集成到 RL 基础设施中。这个过程不仅集成成本高昂，还会在数据传输中丢失关键信息——prompt、采样 token、对数概率等训练所需的核心数据无法被完整采集。
Polar 的解题思路非常直接：将"模型 API 边界"作为强化学习的训练入口点。它通过设置一个透明的代理网关（Gateway），拦截并转发 Agent 调用不同 API（Anthropic、OpenAI、Google 等）的请求，在转发过程中实时记录 prompts、采样 token 和对数概率，然后重建为训练所需的 trace 数据。
这意味着：无论是 OpenAI 的 Codex、Anthropic 的 Claude Code，还是阿里的 Qwen Code，开发者都可以直接"插上" Polar 进行强化学习训练，无需重写代码，无需修改执行框架。
性能数据的惊人跃升
在 SWE-Bench Verified 基准测试中，Polar 交出了一份令人瞩目的成绩单。使用相同的 Qwen3.5-4B 基础模型，各代码框架训练前后的表现如下：
| 代码框架 | 训练前 (pass@1) | 训练后 (pass@1) | 提升幅度 |
|---|---|---|---|
| Codex | 3.8% | 26.4% | +594.7% |
| Claude Code | 29.8% | 34.6% | +16.1% |
| Pi 框架 | 34.2% | 40.4% | +18.1% |
Codex 的表现堪称惊人——性能提升了近 6 倍，从几乎不可用的水平一跃成为可以应对真实编码任务的工具。而 Claude Code 和 Pi 框架也有 16%-18% 的稳定提升，说明即使对于已经表现出色的 Agent，强化学习训练仍然是有效的增强手段。
系统级优化与效率突破
除了算法层面的创新，Polar 在系统效率方面也做了大量工作。其核心优化策略 prefix_merging，与传统的 per_request 模式相比：训练耗时缩短约 5.39 倍，GPU 利用率从 20.4% 提升至 87.7%。
这一数据意味着，原本需要消耗大量 GPU 资源的强化学习训练，现在可以在更短的时间内、以更低的成本完成。Polar 还通过预热缓冲区（READY buffer）和并行任务处理机制，有效消除了阻塞 GPU 训练的长尾任务，进一步降低了算力门槛。
Polar 的 Rollout Server 负责任务调度和数据持久化，Gateway Node 处理生命周期和资源回收，两者协同工作，为大规模训练提供了系统级的工程保障。
行业意义：Agent 进化的基础设施
Polar 的开源标志着 AI 编码 Agent 的进化路径正在从"实验室手工调整"转向"大规模系统化生产"。它的战略价值体现在三个层面：
第一是标准化。Polar 为 Agent 通往强化学习训练搭建了一条"高速公路"，统一定义了数据采集、调度执行、效率优化的工程规范，让研究人员和开发者不再需要关心"如何使模型适应训练框架"。
第二是低门槛。利用海量的开源代码框架，即使是资源有限的团队也能对已有 Agent 进行高效的强化学习训练。Codex 通过 Polar 获得近 6 倍提升的案例，证明了这一路径对"潜力待挖掘"的模型尤其有效。
第三是生态效应。英伟达选择开源而非闭源，意图明显——让 Polar 成为 Agent 强化学习训练的事实标准。随着更多社区贡献的融入，这一框架有望加速整个 AI 编码 Agent 领域的能力进化速度。