RL-Agents es un framework de aprendizaje por refuerzo de nivel investigación construido sobre PyTorch que agrupa algoritmos RL populares en métodos basados en valor, política y actor-crítico. La biblioteca cuenta con una API modular de agentes, aceleración por GPU, integración fluida con OpenAI Gym y herramientas integradas de registro y visualización. Los usuarios pueden configurar hiperparámetros, personalizar bucles de entrenamiento y evaluar el rendimiento con pocas líneas de código, haciendo de RL-Agents una opción ideal para investigación académica, prototipado y experimentación industrial.

Fast Reinforcement Learning es un marco Python especializado diseñado para acelerar el desarrollo y la ejecución de agentes de aprendizaje por refuerzo. Ofrece soporte listo para usar para algoritmos populares como PPO, A2C, DDPG y SAC, combinados con gestiones de entornos vectorizados de alto rendimiento. Los usuarios pueden configurar fácilmente redes de políticas, personalizar bucles de entrenamiento y aprovechar la aceleración GPU para experimentos a gran escala. El diseño modular de la biblioteca garantiza una integración fluida con entornos OpenAI Gym, permitiendo a investigadores y practicantes prototipar, hacer benchmarks y desplegar agentes en diversas tareas de control, juegos y simulación.

HMAS es un marco de trabajo de código abierto en Python que permite el desarrollo de sistemas jerárquicos de múltiples agentes. Ofrece abstracciones para definir jerarquías de agentes, protocolos de comunicación entre agentes, integración de entornos y ciclos de entrenamiento incorporados. Investigadores y desarrolladores pueden usar HMAS para prototipar interacciones complejas entre agentes, entrenar políticas coordinadas y evaluar el rendimiento en entornos simulados. Su diseño modular facilita extender y personalizar agentes, entornos y estrategias de entrenamiento.