给游戏角色设计训练方法，过去常像调旋钮：改学习速度、批次大小，却不动学习规则本身。RLDISCOVER更进一步，让大语言模型直接改写强化学习（RL——智能体靠奖励和惩罚摸索策略）算法的代码组件，再通过实验筛选更好的版本。
它最巧的一点，是没有一开始就让模型同时乱改所有地方。系统先分别改动观察处理、学习目标、损失函数等五类组件，找到各自有希望的方案；随后再允许它们组合演化，处理组件之间的相互影响。这就是“共同进化”：搜索对象不是几个超参数，而是算法如何学习。
筛选也分三档：先用较短训练和单个随机种子粗筛，再逐步增加训练量与重复次数。随机种子是训练随机过程的起点；论文中，同一方案仅因种子不同，得分就从2.9跳到2887.3，又降至3.9。作者报告，在一组SAC运动控制实验中，这套流程评估约230个候选程序用了约87 GPU小时；若全部完整训练，估算需1330 GPU小时。结果仍属作者实验，代码和数据拟在论文接收后公开。