یک تیم تحقیقاتی هوش مصنوعی موفق شد مدل زبانی با ۳۵۰ میلیون پارامتر را با روش جدیدی به نام GRPO (Gradient‑Based Reward‑Optimized) در تنها ۱۰۰ گام تنظیم دقیق کند. این بهینه‌سازی باعث بهبود قابل توجهی در تولید خروجی‌های ساختاریافته مانند جداول، فرم‌ها و کدهای برنامه‌نویسی شد.
نتایج آزمایش‌ها نشان می‌دهد که با استفاده از GRPO می‌توان به‌سرعت به دقت بالایی در وظایف ساختاریافته دست یافت، بدون نیاز به دوره‌های طولانی آموزش یا منابع محاسباتی سنگین. این پیشرفت می‌تواند راه را برای استفاده گسترده‌تر از مدل‌های متوسط در برنامه‌های تجاری و پژوهشی هموار سازد.