El proyecto mario-ai ofrece una pipeline completa para desarrollar agentes IA que dominen Super Mario Bros., utilizando neuroevolución. Al integrar una implementación NEAT en Python con el entorno OpenAI Gym SuperMario, permite a los usuarios definir criterios de fitness personalizados, tasas de mutación y topologías de red. Durante el entrenamiento, el framework evalúa generaciones de redes neuronales, selecciona los genomas de alto rendimiento y ofrece visualización en tiempo real del juego y la evolución de la red. Además, soporta guardar y cargar modelos entrenados, exportar los mejores genomas y generar informes detallados de rendimiento. Investigadores, educadores y aficionados pueden extender el código a otros entornos de juego, experimentar con estrategias evolutivas y comparar el progreso del aprendizaje IA en diferentes niveles.

multiagent_envs ofrece un conjunto modular de entornos en Python diseñados para la investigación y desarrollo en aprendizaje por refuerzo multi-agente. Incluye escenarios como navegación cooperativa, depredador-presa, dilemas sociales y arenas competitivas. Cada entorno permite definir el número de agentes, características de observación, funciones de recompensa y dinámica de colisión. El framework se integra perfectamente con bibliotecas RL populares como Stable Baselines y RLlib, permitiendo bucles de entrenamiento vectorizados, ejecución paralela y registro sencillo. Los usuarios pueden extender escenarios existentes o crear otros nuevos mediante una API sencilla, acelerando la experimentación con algoritmos como MADDPG, QMIX y PPO en un entorno reproducible y consistente.

MultiAgentModel proporciona una API unificada para definir entornos personalizados y clases de agentes para escenarios multiagentes. Los desarrolladores pueden especificar espacios de observación y acción, estructuras de recompensa y canales de comunicación. La compatibilidad con algoritmos RL populares como PPO, DQN y A2C permite entrenar con una configuración mínima. Las herramientas de visualización en tiempo real ayudan a monitorear las interacciones de los agentes y las métricas de rendimiento. La arquitectura modular garantiza una fácil integración de nuevos algoritmos y módulos personalizados. También incluye un sistema de configuración flexible para ajuste de hiperparámetros, utilidades de registro para seguimiento de experimentos y compatibilidad con entornos OpenAI Gym para portabilidad sin problemas. Los usuarios pueden colaborar en entornos compartidos y reproducir sesiones registradas para análisis.

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.

El marco YGO-Agent permite a investigadores y entusiastas desarrollar bots de IA que juegan al juego de cartas Yu-Gi-Oh usando aprendizaje por refuerzo. Envuelve el simulador YGOPRO en un entorno compatible con OpenAI Gym, definiendo representaciones de estado como mano, campo y puntos de vida, así como representaciones de acción que incluyen invocaciones, activación de hechizos/trampas y ataques. Las recompensas se basan en resultados de victoria/derrota, daño causado y progreso del juego. La arquitectura del agente usa PyTorch para implementar DQN, con opciones para arquitecturas de red personalizadas, reproducción de experiencia y exploración epsilon-greedy. Los módulos de registro registran curvas de entrenamiento, tasas de victoria y registros detallados de movimientos para análisis. El marco es modular, permitiendo a los usuarios reemplazar o extender componentes como la función de recompensa o el espacio de acción.