调一个模型，像反复试烤箱温度：每次都要等结果，却没有公式告诉你下一次该怎么调。GPopt 面向的正是这类昂贵的“黑箱函数”。它用贝叶斯优化根据少量既有结果，判断哪里可能更好、哪里仍不确定，再挑选下一组值得尝试的参数。
据 T. Moudiki 在 R-bloggers 的介绍，GPopt 的 R 版可使用 Gaussian Process（高斯过程，一种同时给出预测值和不确定程度的替代模型），也支持经过保形方法校准的其他替代模型。保形预测会参考已有预测误差，为新结果构造区间；在优化中，它能帮助校准“不确定”到底有多不确定。示例还展示了把随机森林的预测区间模型接入优化流程。
不过，这并非完全原生的 R 实现：包用 uv 建立隔离的 Python 环境，再通过 reticulate 调用 Python 版 GPopt，R 函数只是薄封装。作者也提醒，它面向机器学习超参数调优，不保证找到全局最小值。