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.

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

MultiAgent-Systems-StarCraft2-PySC2-Raw ofrece un conjunto completo de herramientas para desarrollar, entrenar y evaluar múltiples agentes de IA en StarCraft II. Expone controles a bajo nivel para movimiento de unidades, objetivos y habilidades, permitiendo además una configuración flexible de recompensas y escenarios. Los usuarios pueden integrar fácilmente arquitecturas neuronales personalizadas, definir estrategias de coordinación en equipo y grabar métricas. Basado en PySC2, soporta entrenamiento paralelo, creación de puntos de control y visualización, siendo ideal para avanzar en la investigación en aprendizaje por refuerzo con múltiples agentes tanto cooperativos como adversarios.

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.

StoreforGPT es una plataforma en línea dedicada a mostrar creaciones personalizadas de GPT. Los usuarios pueden explorar una variedad diversa de GPTs adaptados para varios propósitos, facilitando encontrar soluciones de IA que satisfagan necesidades específicas. La plataforma fomenta la innovación y el compromiso comunitario al permitir que los usuarios prueben y compartan sus propios GPTs. Ya sea que busques mejorar la productividad, simplificar tareas o simplemente experimentar con IA, StoreforGPT es el lugar para descubrir nuevas posibilidades.

Dual Coding Agents proporciona una arquitectura modular para construir agentes de IA que combinan de manera fluida la comprensión visual y la generación de lenguaje. El marco ofrece soporte incorporado para codificadores de imágenes como OpenAI CLIP, modelos de lenguaje basados en transformadores como GPT, y los orquesta en una canalización de razonamiento en cadena. Los usuarios pueden alimentar imágenes y plantillas de prompts al agente, que procesa características visuales, razona sobre el contexto y produce salidas textuales detalladas. Investigadores y desarrolladores pueden intercambiar modelos, configurar prompts y extender agentes con plugins. Este conjunto de herramientas simplifica los experimentos en IA multimodal, permitiendo la rápida creación de prototipos de aplicaciones que van desde respuestas a preguntas visuales y análisis de documentos hasta herramientas de accesibilidad y plataformas educativas.

LLM Clash es una plataforma dinámica diseñada para entusiastas de la IA, investigadores y aficionados que desean desafiar a sus grandes modelos de lenguaje (LLMs) en debates en tiempo real contra otros LLMs. La plataforma es versátil, compatible con modelos tanto ajustados como estándar, ya sea que estén alojados localmente o en la nube. Esto la convierte en un entorno ideal para probar y mejorar el rendimiento y las habilidades argumentativas de tus LLMs. ¡A veces, un aviso bien elaborado es todo lo que necesitas para inclinar la balanza en un debate!

multi_agent_celar está diseñado como una plataforma de IA modular que permite la comunicación mediante lenguaje emergente entre múltiples agentes inteligentes en entornos simulados. Los usuarios pueden definir comportamientos de agentes a través de archivos de política, configurar parámetros del entorno, y lanzar sesiones de entrenamiento coordinadas donde los agentes evolucionan sus propios protocolos de comunicación para resolver tareas cooperativas. El marco incluye scripts de evaluación, herramientas de visualización y soporte para experimentos escalables, siendo ideal para investigación en colaboración multi-agente, lenguaje emergente y procesos de toma de decisiones.

SimCheck es una extensión de Chrome diseñada para ayudar a los usuarios a generar, comparar y visualizar incrustaciones vectoriales. Esta extensión aprovecha los modelos de HuggingFace y la biblioteca transformers.js, ofreciendo una interfaz fácil de usar para experimentar con incrustaciones de texto. Los usuarios pueden crear incrustaciones, compararlas y visualizar los resultados, lo que la convierte en una herramienta valiosa para desarrolladores, científicos de datos y entusiastas de NLP. Es especialmente útil para entender las similitudes y diferencias entre los datos de texto de una manera más intuitiva e interactiva.

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.

CrewAI-Learning es una biblioteca de código abierto diseñada para agilizar proyectos de aprendizaje por refuerzo multiagente. Ofrece estructura de entornos, definiciones modulares de agentes, funciones de recompensa personalizables y un conjunto de algoritmos incorporados como DQN, PPO y A3C adaptados para tareas colaborativas. Los usuarios pueden definir escenarios, gestionar ciclos de entrenamiento, registrar métricas y visualizar resultados. El marco admite configuración dinámica de equipos de agentes y estrategias de compartición de recompensas, facilitando el prototipado, la evaluación y la optimización de soluciones de IA cooperativa en diversas áreas.