Mean-Field MARL proporciona un marco robusto en Python para implementar y evaluar algoritmos de aprendizaje por refuerzo multiagente de campo medio. Aproxima las interacciones en gran escala modelando el efecto medio de los vecinos mediante Q-learning de campo medio. La biblioteca incluye envoltorios de entornos, módulos de políticas de agentes, bucles de entrenamiento y métricas de evaluación, permitiendo entrenamiento escalable en cientos de agentes. Construido sobre PyTorch para aceleración GPU, soporta entornos personalizables como Particle World y Gridworld. Su diseño modular permite facilitar la extensión con nuevos algoritmos, mientras que las herramientas integradas de registro y visualización basadas en Matplotlib monitorean recompensas, curvas de pérdida y distribuciones de campo medio. Scripts de ejemplo y documentación guían a los usuarios en la configuración, experimentación y análisis de resultados, haciendo que sea ideal tanto para investigación como para prototipado de sistemas multiagente a gran escala.

Team Coordination es una biblioteca ligera de Python diseñada para simplificar la orquestación de múltiples agentes de IA que trabajan juntos en tareas complejas. Definiendo roles especializados como planificadores, ejecutores, evaluadores o comunicadores, los usuarios pueden descomponer un objetivo alto en subtareas manejables, delegarlas a agentes individuales y facilitar una comunicación estructurada. El marco maneja ejecución asíncrona, enrutamiento de protocolos y agregación de resultados, permitiendo la colaboración eficiente de equipos de agentes de IA. Su sistema de plugins soporta integración con LLMs populares, APIs y lógica personalizada, ideal para aplicaciones en servicio al cliente automatizado, investigación, IA en juegos y pipelines de procesamiento de datos. Con abstracciones claras y componentes extensibles, Team Coordination acelera el desarrollo de flujos de trabajo multi-agentes escalables.

Trinity-RFT (Retrieval Fine-Tuning) es un marco de código abierto unificado diseñado para mejorar la precisión y eficiencia del modelo combinando flujos de trabajo de recuperación y ajuste fino. Los usuarios pueden preparar un corpus, construir un índice de recuperación y conectar el contexto recuperado directamente en los bucles de entrenamiento. Soporta recuperación multimodal para texto, imágenes y videos, se integra con almacenes vectoriales populares y ofrece métricas de evaluación y scripts de implementación para prototipado rápido y despliegue en producción.

MARFT es un LLM basado en Python que permite experimentos reproducibles y prototipado rápido de sistemas de IA colaborativos.