Heim
NVIDIA veröffentlicht das „Polar“-Framework als Open Source – für die barrierefreie Entwicklung von KI-Agenten mittels bestärkendem Lernen
Am 28. Mai hat das NVIDIA-Forschungsteam „Polar“, ein Trainingsframework für verstärktes Lernen, als Open-Source-Projekt veröffentlicht. Die zentrale Innovation besteht darin, bestehende Mainstream-Code-Agenten – wie Codex, Claude Code und Qwen Code – nahtlos in das GRPO-Training (Generalized Relative Policy Optimization) für verstärktes Lernen zu integrieren, ohne dass Änderungen am ursprünglichen Code erforderlich sind.
I. Probleme der Branche: Die Hürde für das verstärkende Lernen von Agenten
Da sich Code-Agenten von einfachen Einzelschrittaufgaben zu komplexen, lang andauernden Prozessen entwickeln – wie beispielsweise Code-Änderungen auf Lagerebene oder Interaktionen mit dem Betriebssystem –, verlassen sich Entwickler zunehmend auf ausgereifte Ausführungsframeworks (Harness). Die Integration dieser komplexen Frameworks in die traditionelle Infrastruktur für verstärktes Lernen stellt jedoch erhebliche Herausforderungen dar:
Hohe Integrationskosten: Herkömmliche Methoden erfordern das Umschreiben der Codelogik in Standardschnittstellen der Umgebung wie env.init() und env.step(), ein äußerst mühsamer Prozess.
Informationsverlust: Während der Refaktorisierung gehen oft kritische Details – wie Tool-Aufrufe, der Kontext mehrrundiger Dialoge oder die Logik der Zusammenarbeit zwischen Unteragenten – verloren, was verhindert, dass das Modell hochwertige Trainingssignale erhält.
II. Kernlösung: Nutzung der „Grenze“ als Einstiegspunkt für das Training
Polar macht das Umschreiben des Ausführungsframeworks überflüssig. Stattdessen behandelt es die Modell-API-Grenze als Einstiegspunkt für das Training.
Black-Box-Verarbeitung: Polar platziert einen transparenten Proxy (Gateway) zwischen dem Code-Ausführungsframework und dem Modell-Inferenzserver. Unabhängig davon, ob der Agent APIs von Anthropic, OpenAI oder Google verwendet, fängt Polar Anfragen nahtlos ab und leitet sie weiter.
Trace-Rekonstruktion: Während der Weiterleitung zeichnet Polar wichtige Echtzeitdaten – wie Prompts, abgetastete Tokens und Log-Wahrscheinlichkeiten – auf und rekonstruiert sie zu den „Trace“-Daten, die der Trainer für das verstärkende Lernen benötigt.
Effiziente asynchrone Architektur: Das System nutzt einen Rollout-Server für die Planung und Persistenz, während Gateway-Knoten den Lebenszyklus und die Wiederverwertung von Ressourcen verwalten. Durch die Nutzung eines vorgewärmten Puffers (READY-Puffer) und paralleler Aufgabenverarbeitung werden Long-Tail-Aufgaben, die das GPU-Training blockieren könnten, effektiv eliminiert.
III. Leistungssprung: Transformation von Code-Agenten
Experimentelle Daten zeigen, dass Polar in Kombination mit GRPO-Training erhebliche Leistungssteigerungen erzielt:
SWE-Bench-verifizierter Benchmark-Test: Bei Verwendung desselben Qwen3.5-4B-Basismodells variiert die Leistung je nach Code-Framework:
Codex-Framework: Der pass@1-Wert steigt von 3,8 % auf 26,4 % – ein Anstieg um 594,74 %.
Claude-Code-Framework: von 29,8 % auf 34,6 %.
Pi-Framework: von 34,2 % auf 40,4 %.
Extreme Effizienz: Nach Einführung der prefix_merging-Strategie verkürzt sich die Trainingszeit im Vergleich zum herkömmlichen Modus pro Anfrage um etwa das 5,39-Fache, und die GPU-Auslastung steigt von 20,4 % auf 87,7 %.
Kommentar aus der Branche
Die Open-Source-Veröffentlichung von NVIDIAs Polar schafft im Wesentlichen eine „Autobahn“ für KI-Agenten, um in das Training des verstärkenden Lernens einzusteigen. Sie ermöglicht es Forschern nicht nur, mithilfe umfangreicher Open-Source-Code-Frameworks effizient zu trainieren, sondern senkt auch die Hürde für GPU-Rechenleistung durch Optimierungen auf Systemebene.
Mit der wachsenden Popularität von Polar müssen sich Entwickler nicht mehr darum kümmern, „wie Modelle an Trainingsframeworks angepasst werden können“. In Zukunft wird die Entwicklung von KI-Codierungsagenten standardisierter und effizienter werden. Dies markiert einen Wandel im Training von KI-Agenten von manueller Feinabstimmung im Labor hin zu groß angelegter, systematischer technischer Produktion.
URL des Artikels: https://arxiv.org/pdf/2605.24220
Verwandter Artikel
Besxar errichtet mit SpaceX-Raketen eine Halbleiterfabrik im Orbit
Die Fertigung im Weltraum und die Rückführung von Produkten zur Erde stützen sich derzeit auf eine begrenzte Anzahl von Ansätzen: entweder das Warten auf Zugang zur Internationalen Raumstation oder di
Liang Wenfeng über Open Source: 6-fache Gewinne ohne Überstunden, 100-fache Renditen durch Open Source
Im Anschluss an ein kürzlich bekannt gewordenes Leck interner Diskussionen aus der Investor-Plattform von DeepSeek hat Gründer Liang Wenfeng die strategische Begründung hinter ihrem Open-Source-Ansatz erläutert. Er erklärte eindeutig: „Wir werden def
Wie behebt man häufige Android-Akku-Entleerungsprobleme?
Ihr Smartphone versagt immer wieder. Displays reißen ohne Vorwarnung. Die Akkulaufzeit verschwindet über Nacht. Das Laden funktioniert überhaupt nicht mehr. Der Ton bricht unerwartet ab. Die Reparaturkosten summieren sich schnell. DIY-Reparaturen beh
Empfehlungen zu verwandten Spezialthemen
Design & Kunst
Die besten KI-Illustrationstools: Redaktionelle Szenen und Cover-Grafiken schneller erstellen
Die besten und am besten bewerteten KI-Illustrationstools 2026: Unsere sorgfältig zusammengestellte Liste enthält die leistungsstärksten Tools, mit denen Sie im Handumdrehen atemberaubende redaktionelle Szenen und auffällige Cover-Grafiken erstellen können. Jede Option wurde strengen Praxistests unterzogen und wird im Vergleich zwischen kostenlosen und kostenpflichtigen Versionen vorgestellt, damit Sie die perfekte Lösung für Ihren Arbeitsablauf finden können. Probieren Sie diese unverzichtbaren Lösungen noch heute aus, um Ihren KI-Vorteil zu nutzen und Ihre kreative Produktivität zu steigern. Entdecken Sie sie jetzt auf XIX.AI.
10 Tools
xix.ai
Bildung und Lernen
Die besten KI-Nachhilfelehrer für die Prüfungsvorbereitung: Üben Sie Mathematik, Naturwissenschaften und Englisch
Die besten und am besten bewerteten KI-Nachhilfetools für die Prüfungsvorbereitung des Jahres 2026 finden Sie hier auf XIX.AI! Unsere sorgfältig zusammengestellte Liste enthält leistungsstarke, bahnbrechende Tools, die einen Vergleich zwischen kostenlosen und kostenpflichtigen Angeboten, Tests aus der Praxis sowie wöchentlich aktualisierte Rankings bieten. Sie helfen Ihnen dabei, Ihre Schreibeffizienz zu steigern, das Erlernen komplexer Themen zu vereinfachen und Ihr akademisches Potenzial voll auszuschöpfen. Entdecken Sie jetzt Ihr perfektes Tool zur Prüfungsvorbereitung und legen Sie noch heute los, um Ihren KI-Vorteil zu nutzen!
10 Tools
xix.ai
Finanzen
KI-Budgetplanungstools für das persönliche Geldmanagement
2026 Neueste Besten Top-Bewertete KI-Budgetplanungs-Tools für persönliches Geldmanagement sind hier auf XIX.AI! Diese kuratierte Sammlung bietet leistungsstarke, revolutionäre Lösungen, die Ihnen helfen, reale Tests durchzuführen, Ausgaben Gewohnheiten zu verstehen und personalisierte Pläne zu erstellen, um die Produktivität zu steigern. Genießen Sie einen kostenlosen vs. bezahlten Vergleich sowie detaillierte Rankings. Unbedingt auszuprobierende Tools, die darauf ausgelegt sind, das Geldmanagement zu vereinfachen und Ihre KI-Vorteile freizuschalten. Entdecken Sie jetzt!
11 Tools
xix.ai
Gesundheit Wellness
KI-gestützte Schlafüberwachungsassistenten: Verbessern Sie Ihre Erholung durch bessere Gewohnheiten vor dem Schlafengehen
2026 – Die neuesten, besten und am höchsten bewerteten AI-Geräte zur Schlafüberwachung, sorgfältig ausgewählt für eine optimale Erholung. Dieser vollständig aktualisierte wöchentliche Leitfaden präsentiert leistungsstarke Tools mit praktischen Tests, einem Vergleich von kostenlosen und kostenpflichtigen Optionen sowie detaillierten Ranglisten, um Ihnen die beste Lösung zu zeigen, die die Schlafqualität verbessert und bessere Gewohnheiten zum Zubettgehen fördert. Entdecken Sie ihn jetzt auf XIX.AI, um Ihren Vorteil durch KI zu nutzen.
10 Tools
xix.ai
Datenanalyse
KI-gestützte SQL-Copilots für Produkt- und Umsatzanalysen
Die besten und am besten bewerteten KI-SQL-Copilots für Produkt- und Umsatzanalysen im Jahr 2026! XIX.AI hat eine leistungsstarke, bahnbrechende Sammlung unverzichtbarer Tools zusammengestellt, die anhand wöchentlich aktualisierter Rankings in der Praxis getestet werden. Diese Tools helfen Anwendern dabei, ihre Produktivität erheblich zu steigern, indem sie die Datenanalyse beschleunigen, komplexe Abfragen optimieren und präzise Erkenntnisse liefern, um intelligentere Geschäftsentscheidungen zu ermöglichen. Entdecken Sie jetzt das perfekte Tool, um Ihren KI-Vorteil voll auszuschöpfen!
14 Tools
xix.ai
Bildung und Lernen
Die besten KI-Hausaufgabenhelfer, die wirklich etwas vermitteln: Lerne Konzepte, nicht nur Antworten
2026: Die aktuell besten und am besten bewerteten KI-Hausaufgabenhelfer, die nicht nur Antworten liefern, sondern auch Kernkonzepte vermitteln – leistungsstarke Tools für Schüler und Studenten. Eine kuratierte Liste, die Sie unbedingt ausprobieren sollten. Wöchentlich aktualisiert. Vergleich zwischen kostenlosen und kostenpflichtigen Angeboten. Praxistests. Genaue Rankings, die Ihnen helfen, Ihr volles Lernpotenzial auszuschöpfen. Entdecken Sie jetzt das perfekte Tool für intelligenteres Lernen.
10 Tools
xix.ai
Kommentare (1)
![AlbertWalker]()
So NVIDIA just dropped Polar as open source? That's huge for AI coding agents - integrating Codex and Claude with reinforcement learning sounds like a game changer. But I wonder how much compute you'd need to actually train it effectively... 🤔
Am 28. Mai hat das NVIDIA-Forschungsteam „Polar“, ein Trainingsframework für verstärktes Lernen, als Open-Source-Projekt veröffentlicht. Die zentrale Innovation besteht darin, bestehende Mainstream-Code-Agenten – wie Codex, Claude Code und Qwen Code – nahtlos in das GRPO-Training (Generalized Relative Policy Optimization) für verstärktes Lernen zu integrieren, ohne dass Änderungen am ursprünglichen Code erforderlich sind.
I. Probleme der Branche: Die Hürde für das verstärkende Lernen von Agenten
Da sich Code-Agenten von einfachen Einzelschrittaufgaben zu komplexen, lang andauernden Prozessen entwickeln – wie beispielsweise Code-Änderungen auf Lagerebene oder Interaktionen mit dem Betriebssystem –, verlassen sich Entwickler zunehmend auf ausgereifte Ausführungsframeworks (Harness). Die Integration dieser komplexen Frameworks in die traditionelle Infrastruktur für verstärktes Lernen stellt jedoch erhebliche Herausforderungen dar:
Hohe Integrationskosten: Herkömmliche Methoden erfordern das Umschreiben der Codelogik in Standardschnittstellen der Umgebung wie env.init() und env.step(), ein äußerst mühsamer Prozess.
Informationsverlust: Während der Refaktorisierung gehen oft kritische Details – wie Tool-Aufrufe, der Kontext mehrrundiger Dialoge oder die Logik der Zusammenarbeit zwischen Unteragenten – verloren, was verhindert, dass das Modell hochwertige Trainingssignale erhält.
II. Kernlösung: Nutzung der „Grenze“ als Einstiegspunkt für das Training
Polar macht das Umschreiben des Ausführungsframeworks überflüssig. Stattdessen behandelt es die Modell-API-Grenze als Einstiegspunkt für das Training.
Black-Box-Verarbeitung: Polar platziert einen transparenten Proxy (Gateway) zwischen dem Code-Ausführungsframework und dem Modell-Inferenzserver. Unabhängig davon, ob der Agent APIs von Anthropic, OpenAI oder Google verwendet, fängt Polar Anfragen nahtlos ab und leitet sie weiter.
Trace-Rekonstruktion: Während der Weiterleitung zeichnet Polar wichtige Echtzeitdaten – wie Prompts, abgetastete Tokens und Log-Wahrscheinlichkeiten – auf und rekonstruiert sie zu den „Trace“-Daten, die der Trainer für das verstärkende Lernen benötigt.
Effiziente asynchrone Architektur: Das System nutzt einen Rollout-Server für die Planung und Persistenz, während Gateway-Knoten den Lebenszyklus und die Wiederverwertung von Ressourcen verwalten. Durch die Nutzung eines vorgewärmten Puffers (READY-Puffer) und paralleler Aufgabenverarbeitung werden Long-Tail-Aufgaben, die das GPU-Training blockieren könnten, effektiv eliminiert.
III. Leistungssprung: Transformation von Code-Agenten
Experimentelle Daten zeigen, dass Polar in Kombination mit GRPO-Training erhebliche Leistungssteigerungen erzielt:
SWE-Bench-verifizierter Benchmark-Test: Bei Verwendung desselben Qwen3.5-4B-Basismodells variiert die Leistung je nach Code-Framework:
Codex-Framework: Der pass@1-Wert steigt von 3,8 % auf 26,4 % – ein Anstieg um 594,74 %.
Claude-Code-Framework: von 29,8 % auf 34,6 %.
Pi-Framework: von 34,2 % auf 40,4 %.
Extreme Effizienz: Nach Einführung der prefix_merging-Strategie verkürzt sich die Trainingszeit im Vergleich zum herkömmlichen Modus pro Anfrage um etwa das 5,39-Fache, und die GPU-Auslastung steigt von 20,4 % auf 87,7 %.
Kommentar aus der Branche
Die Open-Source-Veröffentlichung von NVIDIAs Polar schafft im Wesentlichen eine „Autobahn“ für KI-Agenten, um in das Training des verstärkenden Lernens einzusteigen. Sie ermöglicht es Forschern nicht nur, mithilfe umfangreicher Open-Source-Code-Frameworks effizient zu trainieren, sondern senkt auch die Hürde für GPU-Rechenleistung durch Optimierungen auf Systemebene.
Mit der wachsenden Popularität von Polar müssen sich Entwickler nicht mehr darum kümmern, „wie Modelle an Trainingsframeworks angepasst werden können“. In Zukunft wird die Entwicklung von KI-Codierungsagenten standardisierter und effizienter werden. Dies markiert einen Wandel im Training von KI-Agenten von manueller Feinabstimmung im Labor hin zu groß angelegter, systematischer technischer Produktion.
URL des Artikels: https://arxiv.org/pdf/2605.24220
Besxar errichtet mit SpaceX-Raketen eine Halbleiterfabrik im Orbit
Die Fertigung im Weltraum und die Rückführung von Produkten zur Erde stützen sich derzeit auf eine begrenzte Anzahl von Ansätzen: entweder das Warten auf Zugang zur Internationalen Raumstation oder di
Liang Wenfeng über Open Source: 6-fache Gewinne ohne Überstunden, 100-fache Renditen durch Open Source
Im Anschluss an ein kürzlich bekannt gewordenes Leck interner Diskussionen aus der Investor-Plattform von DeepSeek hat Gründer Liang Wenfeng die strategische Begründung hinter ihrem Open-Source-Ansatz erläutert. Er erklärte eindeutig: „Wir werden def
Wie behebt man häufige Android-Akku-Entleerungsprobleme?
Ihr Smartphone versagt immer wieder. Displays reißen ohne Vorwarnung. Die Akkulaufzeit verschwindet über Nacht. Das Laden funktioniert überhaupt nicht mehr. Der Ton bricht unerwartet ab. Die Reparaturkosten summieren sich schnell. DIY-Reparaturen beh
Die besten und am besten bewerteten KI-Illustrationstools 2026: Unsere sorgfältig zusammengestellte Liste enthält die leistungsstärksten Tools, mit denen Sie im Handumdrehen atemberaubende redaktionelle Szenen und auffällige Cover-Grafiken erstellen können. Jede Option wurde strengen Praxistests unterzogen und wird im Vergleich zwischen kostenlosen und kostenpflichtigen Versionen vorgestellt, damit Sie die perfekte Lösung für Ihren Arbeitsablauf finden können. Probieren Sie diese unverzichtbaren Lösungen noch heute aus, um Ihren KI-Vorteil zu nutzen und Ihre kreative Produktivität zu steigern. Entdecken Sie sie jetzt auf XIX.AI.
10 Tools
xix.ai
Die besten und am besten bewerteten KI-Nachhilfetools für die Prüfungsvorbereitung des Jahres 2026 finden Sie hier auf XIX.AI! Unsere sorgfältig zusammengestellte Liste enthält leistungsstarke, bahnbrechende Tools, die einen Vergleich zwischen kostenlosen und kostenpflichtigen Angeboten, Tests aus der Praxis sowie wöchentlich aktualisierte Rankings bieten. Sie helfen Ihnen dabei, Ihre Schreibeffizienz zu steigern, das Erlernen komplexer Themen zu vereinfachen und Ihr akademisches Potenzial voll auszuschöpfen. Entdecken Sie jetzt Ihr perfektes Tool zur Prüfungsvorbereitung und legen Sie noch heute los, um Ihren KI-Vorteil zu nutzen!
10 Tools
xix.ai
2026 Neueste Besten Top-Bewertete KI-Budgetplanungs-Tools für persönliches Geldmanagement sind hier auf XIX.AI! Diese kuratierte Sammlung bietet leistungsstarke, revolutionäre Lösungen, die Ihnen helfen, reale Tests durchzuführen, Ausgaben Gewohnheiten zu verstehen und personalisierte Pläne zu erstellen, um die Produktivität zu steigern. Genießen Sie einen kostenlosen vs. bezahlten Vergleich sowie detaillierte Rankings. Unbedingt auszuprobierende Tools, die darauf ausgelegt sind, das Geldmanagement zu vereinfachen und Ihre KI-Vorteile freizuschalten. Entdecken Sie jetzt!
11 Tools
xix.ai
2026 – Die neuesten, besten und am höchsten bewerteten AI-Geräte zur Schlafüberwachung, sorgfältig ausgewählt für eine optimale Erholung. Dieser vollständig aktualisierte wöchentliche Leitfaden präsentiert leistungsstarke Tools mit praktischen Tests, einem Vergleich von kostenlosen und kostenpflichtigen Optionen sowie detaillierten Ranglisten, um Ihnen die beste Lösung zu zeigen, die die Schlafqualität verbessert und bessere Gewohnheiten zum Zubettgehen fördert. Entdecken Sie ihn jetzt auf XIX.AI, um Ihren Vorteil durch KI zu nutzen.
10 Tools
xix.ai
Die besten und am besten bewerteten KI-SQL-Copilots für Produkt- und Umsatzanalysen im Jahr 2026! XIX.AI hat eine leistungsstarke, bahnbrechende Sammlung unverzichtbarer Tools zusammengestellt, die anhand wöchentlich aktualisierter Rankings in der Praxis getestet werden. Diese Tools helfen Anwendern dabei, ihre Produktivität erheblich zu steigern, indem sie die Datenanalyse beschleunigen, komplexe Abfragen optimieren und präzise Erkenntnisse liefern, um intelligentere Geschäftsentscheidungen zu ermöglichen. Entdecken Sie jetzt das perfekte Tool, um Ihren KI-Vorteil voll auszuschöpfen!
14 Tools
xix.ai
2026: Die aktuell besten und am besten bewerteten KI-Hausaufgabenhelfer, die nicht nur Antworten liefern, sondern auch Kernkonzepte vermitteln – leistungsstarke Tools für Schüler und Studenten. Eine kuratierte Liste, die Sie unbedingt ausprobieren sollten. Wöchentlich aktualisiert. Vergleich zwischen kostenlosen und kostenpflichtigen Angeboten. Praxistests. Genaue Rankings, die Ihnen helfen, Ihr volles Lernpotenzial auszuschöpfen. Entdecken Sie jetzt das perfekte Tool für intelligenteres Lernen.
10 Tools
xix.ai
So NVIDIA just dropped Polar as open source? That's huge for AI coding agents - integrating Codex and Claude with reinforcement learning sounds like a game changer. But I wonder how much compute you'd need to actually train it effectively... 🤔
