定義
GRPOとはグループ相対方策最適化のことで、強化学習を使ってLLMをファインチューニングする手法。複数の出力をグループ化し相対的な報酬で学習するため、従来のPPOより計算コストが低い。
GRPO (グループ相対方策最適化)とは（詳しく解説）
GRPOはDeepSeekが2024年に提案した強化学習ベースのLLMファインチューニング手法。従来のPPOではバリューネット（クリティックネットワーク）が必要だったが、GRPOは同一プロンプトから複数の出力をグループ生成し、グループ内の相対報酬をベースラインとすることでバリューネットを不要にした。GPUメモリ消費をPPO比で約40%削減できるのが最大のメリット。 DeepSeek-R1の成功を受け、2026年時点ではQwen・Llama系の推論特化ファインチューニングでも事実上の標準手法になりつつある。AI PICKSの調査によるとA100×8構成での7BモデルGRPO学習の相場感は月30〜60万円（クラウドGPU）で、中小チームでも導入が現実的になってきた。 実運用での現場の落とし穴は主に2点。①グループサイズが小さいと報酬バリアンスが高まり学習が不安定になる（8〜16サンプルが推奨）。②報酬関数の設計が肝で、正確性・形式・安全性の多目的バランスを誤ると「形式だけ整った薄い回答」を量産する事例が報告されている。2026年現在、HuggingFaceのTRLライブラリに実装されたGRPOTrainerが現場標準ツールとして定着しつつある。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「GRPO (グループ相対方策最適化)とは」 https://aipicks.jp/glossary/grpo
GRPO (グループ相対方策最適化)の使用例
- DeepSeek-R1はGRPOで数学・コーディングの推論を強化。同一問題に8候補を生成し、正解・部分点・形式の3軸報酬で学習する構成が公開されている。
- HuggingFaceのTRLライブラリにGRPOTrainerが実装されており、7BモデルをA100×8で約2時間・100ステップ学習するのが現場でのスタート構成として定着している。
