Flocking Multi-Agent proporciona una biblioteca modular para simular agentes autónomos que exhiben inteligencia de enjambre. Codifica comportamientos centrales de dirección: cohesión, separación y alineación, además de evitación de obstáculos y persecución de objetivos dinámicos. Utilizando Python y Pygame para visualización, permite ajustar parámetros como el radio del vecino, velocidad máxima y fuerza de giro. Soporta extensibilidad mediante funciones personalizadas de comportamiento y ganchos de integración para plataformas robóticas o motores de juego. Ideal para experimentación en IA, robótica, desarrollo de juegos e investigación académica, demostrando cómo reglas locales simples conducen a formaciones globales complejas.

LLM Playground sirve como una herramienta integral para investigadores y desarrolladores interesados en grandes modelos de lenguaje (LLMs). Los usuarios pueden experimentar con diferentes prompts, evaluar respuestas del modelo y desplegar aplicaciones. La plataforma soporta una gama de LLMs e incluye funciones para comparación de rendimiento, permitiendo a los usuarios ver qué modelo se adapta mejor a sus necesidades. Con su interfaz accesible, LLM Playground tiene como objetivo simplificar el proceso de interacción con tecnologías de aprendizaje automático sofisticadas, convirtiéndose en un recurso valioso tanto para la educación como para la experimentación.

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

Los agentes de aprendizaje por refuerzo para juegos PettingZoo son una biblioteca en Python que ofrece algoritmos listos para usar DQN, PPO y A2C para aprendizaje por refuerzo multiagente en entornos PettingZoo. Cuenta con scripts de entrenamiento y evaluación estandarizados, hiperparámetros configurables, registro integrado en TensorBoard y soporte tanto para juegos competitivos como cooperativos. Los investigadores y desarrolladores pueden clonar el repositorio, ajustar parámetros de entorno y algoritmo, ejecutar sesiones de entrenamiento y visualizar métricas para acelerar la experimentación y comparación en sus experimentos de RL multiagente.

Vanilla Agents es un marco liviano basado en PyTorch que proporciona implementaciones modulares y extensibles de agentes de aprendizaje por refuerzo fundamentales. Soporta algoritmos como DQN, Double DQN, PPO y A2C, con envoltorios de entorno en plug-in compatibles con OpenAI Gym. Los usuarios pueden configurar hiperparámetros, registrar métricas de entrenamiento, guardar puntos de control y visualizar curvas de aprendizaje. La base de código está organizada para la claridad, siendo ideal para prototipado de investigación, uso educativo y benchmarking de nuevas ideas en RL.

CAMEL-AI es un marco basado en Python que permite a desarrolladores e investigadores construir, configurar y hacer correr múltiples agentes de IA autónomos alimentados por LLMs. Ofrece soporte integrado para generación aumentada por recuperación (RAG), uso de herramientas externas, comunicación entre agentes, gestión de memoria y estado, y programación. Con componentes modulares y fácil integración, los equipos pueden prototipar sistemas multi-agente complejos, automatizar flujos de trabajo y escalar experimentos en diferentes backends de LLM.