Zespół badaczy zaprezentował EliteTable - algorytm samoulepszającego się wyszukiwania programów, który łączy siłę dużych modeli językowych z techniką utrzymywania tablicy najlepszych rozwiązań o stałej pojemności. Algorytm kierował nowymi propozycjami, edycjami istniejących rozwiązań i remixami kilku rozwiązań na podstawie historii dotychczasowych sukcesów.
Walut eksperymentu obejmował sześć zadań z biblioteki Gymnasium - testów kontroli dla robotyki i gier. Każde zadanie przebiegało przez dziesięć pokoleń z pięćdziesięcioma slotami kandydatem na pokolenie, a wszystko powtórzono dziesięć razy z niezależnymi inicjalizacjami. Mediana wyników kandydatów wzrosła między pierwszym a ostatnim pokoleniem we wszystkich sześciu zadaniach. Na CartPole-v1 wybrany zwycięzca osiągnął pułap wyniku wyszukiwania już w pierwszym pokoleniu we wszystkich dziesięciu przebiegach. Znaczące było również to, że w czterech z sześciu zadań poprawy dostosowały się do nowych epizodów - mierzone tzw. held-out endpoint-ami. BipedalWalker-v3 i CarRacing-v3 wykazały poprawę bez osiągnięcia celów raportowania.
Algorytm pokazuje obiecujący kierunek dla programowego wyszukiwania wspieranego przez LLM-y w domenie polityk sterowania, choć autorzy zaznaczają, że potrzebne są dalsze porównania i ablacje, aby ustalić względną wydajność EliteTable i wkład poszczególnych komponentów. Wyniki na Acrobot-v1 były mieszane - sześć z dziesięciu przebiegów wykazało pogorszenie na held-out epizodach.