gym-llm amplía el ecosistema OpenAI Gym definiendo entornos textuales donde los agentes LLM interactúan mediante indicaciones y acciones. Cada entorno sigue las convenciones de step, reset y render de Gym, emitiendo observaciones en forma de texto y aceptando respuestas generadas por modelos como acciones. Los desarrolladores pueden crear tareas personalizadas especificando plantillas de indicaciones, cálculos de recompensa y condiciones de terminación, habilitando benchmarks sofisticados de toma de decisiones y diálogos. La integración con librerías RL, herramientas de registro y métricas de evaluación configurables facilita experimentos completos. Ya sea evaluando habilidades de resolución de puzzles, gestión de diálogos, o navegación en tareas estructuradas, gym-llm ofrece un marco estandarizado y reproducible para investigación y desarrollo de agentes lingüísticos avanzados.

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

Nonfinito.xyz es una plataforma diseñada para facilitar la comparación y evaluación de modelos multimodales. Proporciona a los usuarios herramientas integrales para realizar y compartir evaluaciones, y va más allá de los modelos de lenguaje tradicionales (LLMs) para incluir varios modelos multimodales. Esto ayuda a obtener información más profunda y mejorar el rendimiento aprovechando una amplia gama de parámetros y métricas. Nonfinito busca simplificar el proceso de evaluación y hacerlo accesible para investigadores, desarrolladores y científicos de datos que buscan optimizar sus modelos.

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.

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.

Advanced_RAG ofrece un pipeline modular para tareas de generación aumentada por recuperación, incluyendo cargadores de documentos, constructores de índices vectoriales y gestores de cadenas. Los usuarios pueden configurar diferentes bases de datos vectoriales (FAISS, Pinecone), personalizar las estrategias del recuperador (búsqueda por similitud, búsqueda híbrida), e integrar cualquier LLM para generar respuestas contextuales. También soporta métricas de evaluación y registro para ajuste de rendimiento, y está diseñado para escalabilidad y extensibilidad en entornos de producción.