GUPOは、GRPOにおけるグループ勾配間の方向衝突問題をベイズ推定で解決する手法です。各勾配を確率変数として扱い、不確実性に応じて重みを最適化することで、更新方向の信頼性を高めます。実験ではDeepScaleR-1.5Bで63.4%、R1-Distill-7Bで71.4%のスコアを記録し、既存手法を上回る性能を実証しました。