NeuralABM es una biblioteca de código abierto en Python que aprovecha PyTorch para integrar redes neuronales en el modelado basado en agentes. Los usuarios pueden especificar arquitecturas de agentes como módulos neuronales, definir dinámicas del entorno y entrenar comportamientos de agentes mediante retropropagación en pasos de simulación. El framework soporta señales de recompensa personalizadas, aprendizaje por currículo y actualizaciones síncronas o asíncronas, permitiendo estudiar fenómenos emergentes. Con utilidades para registro, visualización y exportación de conjuntos de datos, investigadores y desarrolladores pueden analizar el rendimiento de los agentes, depurar modelos y iterar en el diseño de simulaciones. NeuralABM simplifica la combinación de aprendizaje por refuerzo con ABM para aplicaciones en ciencias sociales, economía, robótica y comportamientos de NPC en juegos impulsados por IA. Ofrece componentes modulares para personalizar entornos, soporta interacciones multi-agente y proporciona hooks para integrar conjuntos de datos externos o API en simulaciones del mundo real. El diseño abierto fomenta la reproducibilidad y colaboración mediante una configuración clara de experimentos y la integración con control de versiones.

LightJason Benchmark ofrece un conjunto completo de escenarios predefinidos y personalizables para probar y evaluar aplicaciones multiagentes construidas con LightJason. Los usuarios pueden configurar conteos de agentes, patrones de comunicación y parámetros ambientales para simular cargas reales y evaluar el comportamiento del sistema. Las métricas incluyen tasa de transferencia de mensajes, tiempos de respuesta de agentes, consumo de CPU y memoria, registrando resultados en formatos CSV y gráficos. Su integración con JUnit permite una inclusión sencilla en pipelines automatizados, permitiendo pruebas de regresión y rendimiento como parte de los flujos CI/CD. Con configuraciones ajustables y plantillas de escenarios extensibles, el paquete ayuda a identificar cuellos de botella, validar la escalabilidad y guiar optimizaciones arquitectónicas para sistemas multiagentes de alto rendimiento y resilientes.