Slovník IT, managementu a projektového řízení
GRPO
Group Relative Policy Optimization
GRPO je metoda trénování modelů, která porovnává několik odpovědí vytvořených pro stejný vstup a upravuje politiku podle jejich relativního hodnocení.
V některých postupech nahrazuje samostatný hodnoticí model skupinovým srovnáním. Výsledek závisí na kvalitě odměn a návrhu trénovacích úloh.