Grouped Rank Prompt Optimization (GRPO) to zaawansowany algorytm uczenia ze wzmocnieniem, który optymalizuje modele językowe poprzez porównywanie wielu odpowiedzi wygenerowanych dla tego samego zapytania. W przeciwieństwie do tradycyjnych metod, takich jak PPO, rozwiązanie to eliminuje potrzebę stosowania osobnego modelu krytyka, co znacząco redukuje koszty obliczeniowe i zapotrzebowanie na pamięć GPU. Algorytm oblicza przewagę (advantage) każdej odpowiedzi na podstawie jej relatywnej jakości wewnątrz grupy, co pozwala na efektywne trenowanie modeli w zadaniach wymagających złożonego rozumowania i weryfikowalnych wyników. Dzięki temu podejściu modele AI mogą organicznie rozwijać lepsze strategie rozwiązywania problemów bez konieczności posiadania ogromnych zbiorów danych etykietowanych przez ludzi.
Grouped Rank Prompt Optimization (GRPO)
