Emergente Kommunikation in Agenten ist ein Open-Source-PyTorch-Framework, das Forschern ermöglicht zu untersuchen, wie Multi-Agenten-Systeme ihre eigenen Kommunikationsprotokolle entwickeln. Die Bibliothek bietet flexible Implementierungen kooperativer Verstärkungslernaufgaben, einschließlich Referenzspielen, Kombinationsspielen und Objekterkennungsaufgaben. Benutzer definieren Sprecher- und Zuhörer-Agentenarchitekturen, spezifizieren Eigenschaften der Nachrichtkanäle wie Wortschatzgröße und Sequenzlänge und wählen Trainingsstrategien wie Politikgradienten oder überwachtes Lernen. Das Framework umfasst End-to-End-Skripte für Experimentdurchführung, Analyse der Kommunikationseffizienz und Visualisierung emergenter Sprachen. Das modulare Design ermöglicht eine einfache Erweiterung mit neuen Spielumgebungen oder benutzerdefinierten Verlustfunktionen. Forscher können veröffentlichte Studien reproduzieren, neue Algorithmen benchmarken und die Kompositionalität sowie Semantik der Agentensprachen untersuchen.

GAMA Genstar Plugin fügt der GAMA-Plattform generative KI-Fähigkeiten hinzu, indem es Konnektoren zu OpenAI, lokalen LLMs und benutzerdefinierten Model-Endpunkten bereitstellt. Benutzer definieren Eingabeaufforderungen und Pipelines in GAML, um Agentenentscheidungen, Umweltbeschreibungen oder Szenarienparameter flexibel zu generieren. Das Plugin unterstützt synchrone und asynchrone API-Aufrufe, Zwischenspeicherung von Antworten und Parameteranpassung. Es vereinfacht die Integration natürlicher Sprachmodelle in groß angelegte Simulationen und reduziert manuellen Skripting-Aufwand, um reichhaltigere und adaptive Agentenverhalten zu fördern.

MARFT ist ein in Python entwickeltes LLM, das reproduzierbare Experimente und schnelle Prototypentwicklung für kollaborative KI-Systeme ermöglicht.

WorFBench ist ein umfassendes Open-Source-Framework zur Bewertung der Fähigkeiten von KI-Agenten basierend auf großen Sprachmodellen. Es bietet eine vielfältige Aufgabenpalette – von Reiseplanung bis zu Code-Generierungs-Workflows – alle mit klar definierten Zielen und Evaluationsmetriken. Nutzer können benutzerdefinierte Agentenstrategien konfigurieren, externe Tools über standardisierte APIs integrieren und automatisierte Bewertungen durchführen, die Leistung bei Zerlegung, Planungstiefe, Tool-Aufrufgenauigkeit und Endergebnisqualität aufzeichnen. Eingebaute Visualisierungs-Dashboards helfen, den Entscheidungsweg jedes Agenten nachzuvollziehen, wodurch Stärken und Schwächen leicht identifiziert werden können. Das modulare Design von WorFBench ermöglicht eine schnelle Erweiterung um neue Aufgaben oder Modelle und fördert reproduzierbare Forschung sowie vergleichende Studien.