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.

En su núcleo, RAG avanzado proporciona a los desarrolladores una arquitectura modular para implementar flujos de trabajo RAG. El marco cuenta con componentes intercambiables para ingestión de documentos, estrategias de fragmentación, generación de incrustaciones, persistencia de almacenamiento vectorial y invocación de LLMs. Esta modularidad permite a los usuarios mezclar y combinar backend de incrustaciones (OpenAI, HuggingFace, etc.) y bases de datos vectoriales (FAISS, Pinecone, Milvus). RAG avanzado también incluye utilidades para procesamiento por lotes, capas de caché y scripts de evaluación de métricas de precisión/recuerdo. Al abstraer patrones comunes de RAG, reduce el código repetitivo y acelera la experimentación, siendo ideal para chatbots basados en conocimiento, búsqueda empresarial y resumidos dinámicos sobre grandes corpora de documentos.

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.

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.

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.