几道题同时给 AI“改作业”时，可能一题让参数往东调，另一题却让它往西调。GRPO（组相对策略优化——让模型为同一道题生成一组答案，再按组内好坏决定如何调整）通常把不同题目的梯度直接平均。梯度就是参数该往哪边微调的导航箭头；箭头互相冲突，训练就可能低效或不稳定。论文观察到，冲突严重的批次往往带来较小的验证集更新收益。
作者提出 GUPO：不再把每组梯度当成完全确定的箭头，而是用贝叶斯方法将其表示为概率分布，再通过基于 Dirichlet 分布的办法估算不确定性。分布越集中，说明方向越可信，汇总时权重就越高；分布越分散，影响便被压低。关键变化很朴素：从“一题一票”改成“更可信的题多说一点”。作者称该方法在多个基准上优于 GRPO，但所给材料未披露具体提升数字。