Mava es una biblioteca de código abierto basada en JAX para desarrollar, entrenar y evaluar sistemas de aprendizaje por refuerzo multiagente. Ofrece implementaciones preconstruidas de algoritmos cooperativos y competitivos como MAPPO y MADDPG, junto con bucles de entrenamiento configurables que soportan flujos de trabajo en un solo nodo y distribuidos. Los investigadores pueden importar entornos desde PettingZoo o definir entornos personalizados, y luego usar los componentes modulares de Mava para optimización de políticas, gestión de búferes de repetición y registro de métricas. La arquitectura flexible del marco permite integrar nuevos algoritmos, espacios de observación personalizados y estructuras de recompensa. Aprovechando las capacidades de auto-vectorización y aceleración de hardware de JAX, Mava garantiza experimentos eficientes a gran escala y comparación reproducible en diversos escenarios multiagente.

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.

El marco LLM Maze Agent proporciona un entorno basado en Python para construir agentes inteligentes capaces de navegar laberintos de cuadrícula utilizando grandes modelos de lenguaje. Al combinar interfaces modulares de entorno con plantillas de prompting en cadena de pensamiento y planificación heurística, el agente consulta iterativamente a un LLM para decidir las direcciones de movimiento, adaptarse a obstáculos y actualizar su representación del estado interno. La compatibilidad lista para usar con modelos de OpenAI y Hugging Face permite una integración sin problemas, mientras que la generación de laberintos configurable y la depuración paso a paso facilitan la experimentación con diferentes estrategias. Los investigadores pueden ajustar funciones de recompensa, definir espacios de observación personalizados y visualizar rutas del agente para analizar procesos de razonamiento. Este diseño hace que LLM Maze Agent sea una herramienta versátil para evaluar la planificación basada en LLM, enseñar conceptos de IA y comparar el rendimiento de los modelos en tareas de razonamiento espacial.