グループ相対方策最適化（Group Relative Policy Optimization: GRPO）は、大規模言語モデル（Large Language Models: LLMs）の後学習において高い実用性を示している。GRPOでは、モデルがプロンプトに応答し、強化学習を通じて好ましい完了文（completions）を学習する。通信量が小さいという特性から、GRPOは分散型学習に inherently 適している。なぜなら、複数のノードが同時にプロンプトに応答でき、その結果を文字列形式で交換可能だからである。本研究では、分散型GRPOにおける初めての敵対的攻撃を提示する。我々は、悪意ある参加者が、文脈外（out-of-context）および文脈内（in-context）の攻撃において、正当なモデルに任意の悪意あるトークンを注入することで、システム全体を汚染できることを実証した。数学およびコード生成という実証例を用いて、敵対的攻撃が容易に正当なノードを汚染し、局所的なLLMの後学習を歪めることを示した。その結果、わずか50イテレーションで攻撃成功確率が最大100％に達することが確認された。この攻撃に対して、すべてのユーザーが同一のモデルを学習するか、異なるモデルを学習するかに応じて、二種類の防御手法を提案する。これらの防御策は、最大で100％の停止率（stop rate）を達成でき、攻撃を不可能にすることが実証された。