mini-AlphaStar démystifie l'architecture complexe d'AlphaStar en proposant un cadre PyTorch accessible et Open Source pour le développement d'IA dans StarCraft II. Il comprend des encodeurs de caractéristiques spatiales pour les entrées écran et minimap, un traitement des caractéristiques non spatiales, des modules de mémoire LSTM, et des réseaux de politique et de valeur séparés pour la sélection d'actions et l'évaluation d'état. En utilisant l'apprentissage par imitation pour démarrer et l'apprentissage par renforcement avec auto-jeu pour l'affinage, il supporte les wrappers d'environnement compatibles avec pysc2, la journalisation via TensorBoard et des hyperparamètres configurables. Les chercheurs et étudiants peuvent générer des jeux de données à partir de parties humaines, entraîner des modèles sur des scénarios personnalisés, évaluer la performance des agents et visualiser les courbes d'apprentissage. La base de code modulaire facilite l'expérimentation avec différentes variantes de réseaux, programmes d'entraînement et configurations multi-agents. Conçu pour l'éducation et le prototypage, et non pour le déploiement en production.

DelphiMistralAI est une boîte à outils Python open-source qui intègre le puissant modèle LLM Mistral-7B avec le modèle de raisonnement moral Delphi. Elle offre une interface en ligne de commande et une API RESTful pour délivrer des jugements éthiques argumentés sur des scénarios fournis par l’utilisateur. Les utilisateurs peuvent déployer l’agent localement, personnaliser les critères de jugement, et inspecter les justifications générées pour chaque décision morale. Cet outil vise à accélérer la recherche en éthique de l’IA, les démonstrations éducatives, ainsi que les systèmes de prise de décision sûrs et explicables.

AIpacman est un projet Python open-source simulant l'environnement de jeu Pac-Man pour des expériences en IA. Les utilisateurs peuvent choisir parmi des agents intégrés ou en créer de nouveaux avec des algorithmes de recherche comme DFS, BFS, A*, UCS ; des méthodes adverses telles que Minimax avec élagage Alpha-Beta et Expectimax ; ou des techniques d'apprentissage par renforcement comme Q-Learning. Le framework offre des labyrinthes configurables, un journal de performance, une visualisation des décisions des agents, et une interface en ligne de commande pour jouer des matchs et comparer les scores. Il est conçu pour les cours, benchmarks de recherche et projets amateurs en IA et développement de jeux.