Dino Reinforcement Learning offre une boîte à outils complète pour entraîner un agent IA à jouer au jeu de dinosaure de Chrome via reinforcement learning. En s'intégrant avec une instance Chrome sans interface via Selenium, il capture en temps réel les frames du jeu et les traite en représentations d'état optimisées pour les entrées du réseau Q profond. Le framework comprend des modules pour la mémoire de rejouement, l'exploration epsilon-greedy, des modèles de réseaux neuronaux convolutifs, et des boucles d'entraînement avec des hyperparamètres personnalisables. Les utilisateurs peuvent suivre la progression de l'entraînement via des logs en console et sauvegarder des checkpoints pour une évaluation ultérieure. Après l'entraînement, l'agent peut être déployé pour jouer en direct de manière autonome ou être testé contre différentes architectures de modèles. Son design modulaire permet une substitution facile des algorithmes RL, faisant de cette plateforme un environnement de experimentation flexible.

Multi-Agent AI Researcher offre un cadre modulaire et extensible où les utilisateurs peuvent configurer et déployer plusieurs agents IA pour traiter conjointement des questions scientifiques complexes. Il inclut un agent de génération d'hypothèses proposant des orientations de recherche basées sur une analyse de littérature, un agent de simulation d'expériences modélisant et testant des hypothèses, un agent d'analyse de données traitant les résultats des simulations, et un agent de rédaction compilant les conclusions dans des documents de recherche structurés. Avec le support de plugins, les utilisateurs peuvent intégrer des modèles et des sources de données personnalisés. Le orchestrateur gère les interactions des agents, en consignant chaque étape pour la traçabilité. Idéal pour automatiser des tâches répétitives et accélérer les flux de travail R&D, il garantit la reproductibilité et la scalabilité dans divers domaines de recherche.

SimplerLLM fournit aux développeurs une API minimaliste pour composer des chaînes LLM, définir des actions d'agents et orchestrer des appels d'outils. Avec des abstractions intégrées pour la conservation de mémoire, des modèles de prompt et l'analyse de sortie, les utilisateurs peuvent rapidement assembler des agents conversationnels qui maintiennent le contexte entre les interactions. Le framework s'intègre parfaitement avec OpenAI, Azure et HuggingFace, et supporte des outils modulables pour les recherches, les calculatrices et les APIs personnalisées. Son cœur léger minimise les dépendances, permettant un développement agile et un déploiement facile sur le cloud ou en edge. Que ce soit pour construire des chatbots, des assistants QA ou des automateurs de tâches, SimplerLLM simplifie les pipelines d'agents LLM de bout en bout.