OpenSpiel es un marco de investigación que proporciona una amplia gama de entornos (desde juegos simples de matriz hasta juegos de tablero complejos como Ajedrez, Go y Póker) e implementa varios algoritmos de aprendizaje por refuerzo y búsqueda (por ejemplo, iteración de valores, métodos de gradiente de política, MCTS). Su núcleo modular en C++ y enlaces en Python permiten a los usuarios integrar algoritmos personalizados, definir nuevos juegos y comparar el rendimiento en benchmarks estándar. Diseñado para extensibilidad, soporta configuraciones de un solo agente y multi-agente, permitiendo estudiar escenarios cooperativos y competitivos. Los investigadores utilizan OpenSpiel para prototipar rápidamente algoritmos, realizar experimentos a gran escala y compartir código reproducible.

Pits and Orbs es un entorno de código abierto para aprendizaje por refuerzo, implementado en Python, que ofrece un mundo en una cuadrícula multi-agente por turnos donde los agentes persiguen objetivos y enfrentan peligros ambientales. Cada agente debe navegar en una cuadrícula ajustable, evitar trampas colocadas aleatoriamente que penalizan o terminan episodios, y recolectar orbes para recompensas positivas. El entorno soporta modos competitivos y cooperativos, permitiendo a investigadores explorar diversos escenarios de aprendizaje. Su API simple se integra perfectamente con bibliotecas RL populares como Stable Baselines o RLlib. Características principales incluyen dimensiones de cuadrícula ajustables, distribuciones dinámicas de trampas y orbes, estructuras de recompensa configurables y registro opcional para análisis del entrenamiento.

Athina AI es una plataforma todo en uno diseñada para que los equipos de desarrollo de IA prototipen, experimenten y prueben rápidamente aplicaciones de modelos de lenguaje grande (LLM). La plataforma ofrece herramientas colaborativas similares a una hoja de cálculo, lo que facilita la gestión de indicaciones, la detección y corrección de alucinaciones y la mejora del rendimiento del modelo. También incluye características de monitoreo para garantizar la salud y la efectividad de la aplicación, lo que contribuye a un despliegue más rápido y un mejor control de calidad.

Multi-Agent-Seller proporciona un entorno modular para simular negociaciones comerciales con agentes AI. Incluye agentes preconstruidos de comprador y vendedor con estrategias de negociación personalizables, como precios dinámicos, concesiones basadas en el tiempo y decisiones basadas en utilidad. Los usuarios pueden definir protocolos, formatos de mensaje y condiciones de mercado personalizados. El framework gestiona sesiones, seguimiento de ofertas y registros de resultados con herramientas de visualización integradas para analizar interacciones de agentes. Se integra fácilmente con bibliotecas de aprendizaje automático para desarrollo de estrategias, permitiendo experimentar con aprendizaje por refuerzo o agentes basados en reglas. Su arquitectura extensible permite añadir nuevos tipos de agentes, reglas de negociación y plugins de visualización. Multi-Agent-Seller es ideal para probar algoritmos multiagente, estudiar comportamientos de negociación y enseñar conceptos en AI y comercio electrónico.

LLMChat.me es un servicio en línea que agrupa docenas de modelos de lenguaje grandes de código abierto en una interfaz de chat unificada. Los usuarios pueden seleccionar entre modelos como Vicuna, Alpaca, ChatGLM y MOSS para generar texto, código o contenido creativo. La plataforma guarda el historial de conversaciones, soporta prompts del sistema personalizados y permite cambiar sin problemas los backend de modelos. Ideal para experimentación, prototipado y productividad, LLMChat.me funciona completamente en el navegador sin descargas, ofreciendo acceso rápido, seguro y gratuito a modelos de IA liderados por la comunidad.