LLMChat.me ist ein Online-Dienst, der Dutzende von Open-Source-Großsprachenmodellen in einer einheitlichen Chat-Oberfläche zusammenfasst. Benutzer können Modelle wie Vicuna, Alpaca, ChatGLM und MOSS auswählen, um Text, Code oder kreative Inhalte zu generieren. Die Plattform speichert den Verlauf der Unterhaltungen, unterstützt benutzerdefinierte Systemprompts und ermöglicht nahtloses Wechseln zwischen verschiedenen Modell-Backends. Ideal für Experimente, Prototyping und Produktivität läuft LLMChat.me komplett im Browser ohne Downloads und bietet schnellen, sicheren und kostenlosen Zugriff auf führende communitygesteuerte KI-Modelle.

OpenSpiel ist ein Forschungsrahmen, der eine Vielzahl von Umgebungen bereitstellt (von einfachen Matrixspielen bis hin zu komplexen Brettspielen wie Schach, Go und Poker) und verschiedene Reinforcement-Learning- und Suchalgorithmen implementiert (z.B. Wertiteration, Policy-Gradient-Methoden, MCTS). Sein modulares C++-Kernstück und Python-Bindings ermöglichen es Nutzern, eigene Algorithmen zu integrieren, neue Spiele zu definieren und Leistungen anhand standardisierter Benchmarks zu vergleichen. Für Erweiterbarkeit konzipiert, unterstützt es einzelne und multi-agenten Szenarien, um kooperative und wettbewerbsorientierte Situationen zu untersuchen. Forscher nutzen OpenSpiel, um Algorithmen schnell zu prototypisieren, groß angelegte Experimente durchzuführen und reproduzierbaren Code zu teilen.

Pits and Orbs ist eine Open-Source-Umgebung für Verstärkendes Lernen, implementiert in Python, die eine rundenbasierte Multi-Agenten-Gitterswelt bietet, in der Agenten Zielsetzungen verfolgen und Umweltgefahren begegnen. Jeder Agent muss ein anpassbares Gitter navigieren, zufällig platzierte Fallen meiden, die Episoden bestrafen oder beenden, und Orbs für positive Belohnungen sammeln. Die Umgebung unterstützt sowohl Wettbewerbs- als auch Kooperationsmodi, sodass Forscher verschiedene Lernszenarien erkunden können. Ihre einfache API integriert sich nahtlos mit beliebten RL-Bibliotheken wie Stable Baselines oder RLlib. Zu den Hauptmerkmalen gehören anpassbare Gittergrößen, dynamische Fallen- und Orb-Verteilungen, konfigurierbare Belohnungsstrukturen und optionales Logging für das Trainings-Tracking.

Multi-Agent-Seller bietet eine modulare Umgebung zur Simulation von E-Commerce-Verhandlungen mit KI-Agenten. Es umfasst vorgefertigte Käufer- und Verkäufer-Agenten mit anpassbaren Verhandlungsstrategien, wie dynamische Preisgestaltung, zeitabhängige Zugeständnisse und Nutzenbasierte Entscheidungsfindung. Benutzer können eigene Protokolle, Nachrichtenformate und Marktbedingungen definieren. Das Framework verwaltet Sitzungsmanagement, Angebotstracking und Ergebnisprotokollierung mit integrierten Visualisierungstools zur Analyse der Agenteninteraktionen. Es lässt sich leicht mit Machine-Learning-Bibliotheken integrieren, um Strategien zu entwickeln, sodass Experimente mit Verstärkungslernen oder regelbasierten Agenten möglich sind. Seine erweiterbare Architektur erlaubt das Hinzufügen neuer Agententypen, Verhandlungsregeln und Visualisierungs-Plugins. Multi-Agent-Seller ist ideal für die Erprobung von Multi-Agenten-Algorithmen, die Untersuchung von Verhandlungsverhalten und die Vermittlung von Konzepten in KI- und E-Commerce-Bereichen.