Proximal Policy Optimization (PPO) to algorytm głębokiego uczenia ze wzmocnieniem, który optymalizuje strategię działania agenta AI w sposób stabilny i wydajny. Wykorzystuje on mechanizm przycinania (clipping), aby ograniczyć wielkość zmian wprowadzanych w polityce podczas jednej aktualizacji, co zapobiega gwałtownym spadkom wydajności modelu. Jest to obecnie jeden z najpopularniejszych algorytmów stosowanych w robotyce oraz procesie dostrajania dużych modeli językowych (RLHF).
Źródło: arxiv.org
