在AI Agent（智能体）赛道狂飙的当下，如何让代码Agent真正学会“自己动手改Bug”，成了业界突破的关键。传统强化学习往往卡在单步决策上，但真实开发场景需要多轮工具调用、上下文管理甚至与操作系统交互——这种长程任务的训练，一直是个棘手难题。
最近，NVIDIA研究团队悄然开源了一个名为Polar的AI框架，试图用一种优雅的方式破局：它不重写现有Agent框架（比如Codex、Claude Code和Qwen Code），而是像“适配器”一样挂在模型API的边界上，把GRPO（广义相对策略优化）训练方法无缝接入这些框架，同时保留它们原有的工具调用、上下文组织和补丁提交逻辑。
GRPO本身是一种强化学习优化技术，通过奖励信号调整模型策略，让模型在多步决策任务中学会更优的行为模式。NVIDIA这次将其用于代码Agent训练，核心目标是在真实的工具调用和补丁提交流程中，持续提升模型表现。从技术角度看，这相当于给现有Agent框架装上了一套“可训练的神经系统”。
客观来看，Polar的巧妙之处在于系统架构设计：它不试图修改Agent框架的执行环境（比如复杂的代码仓库操作流程），而是将Agent放置在推理服务器与执行框架之间。Polar充当一个“模型代理”，支持各种请求风格，记录关键轨迹数据，并把这些数据转换成强化学习可用的训练信号。任务提交、会话调度、状态持久化等功能都被封装在内，通过优化初始化、执行和后处理流程，大幅度提升训练效率。
实验结果相当惊人：在SWE-Bench Verified基准测试中，使用Polar配合GRPO训练的Codex Agent，pass@1得分从3.8%飙升至26.4%，增长幅度达到594.74%。同时，训练效率也实现了质的飞跃——训练时间缩短约5.39倍，平均GPU利用率显著提高。这意味着，过去需要几天才能跑完的训练，现在可能只需几个小时，且资源消耗更低。
坦白说，这个方向的价值不限于代码Agent。Polar的设计理念——在不侵入现有框架的前提下引入强化学习训练——对于浏览器操作、系统交互等长程Agent任务同样具有参考意义。NVIDIA这次开源，等于把底层“训练管道”公开给了社区，后续开发者可以基于Polar快速为自己的Agent框架注入强化学习能力。
关键看点：
- 🛠️ NVIDIA开源Polar框架，让Codex等Agent框架无痛接入GRPO训练方法
- 📈 Codex在SWE-Bench测试中pass@1提升594.74%，从3.8%跃升至26.4%
- ⚙️ 训练时间减少约5.39倍，GPU利用率大幅优化，为长程Agent训练树立新标杆
