PPO خوارزمية تعلم معزز تُحسّن سياسة الوكيل بتقييد خطوة التحديث لتجنب التغييرات الكبيرة الخطيرة. هو الخوارزمية وراء RLHF المستخدم لتدريب ChatGPT وClaude ليكونا مساعدين نافعين: نموذج مكافأة يُقيّم الردود وPPO يُحسّن النموذج اللغوي لإنتاج مخرجات أفضل.