NeuralABM est une bibliothèque open-source en Python qui exploite PyTorch pour intégrer des réseaux neuronaux dans la modélisation basée sur des agents. Les utilisateurs peuvent spécifier des architectures d'agents sous forme de modules neuronaux, définir la dynamique de l'environnement et entraîner le comportement des agents via la rétro-propagation sur les étapes de simulation. Le framework supporte des signaux de récompense personnalisés, l'apprentissage par curriculum, ainsi que des mises à jour synchrones ou asynchrones, permettant d'étudier des phénomènes émergents. Avec des utilitaires pour la journalisation, la visualisation et l'exportation de jeux de données, chercheurs et développeurs peuvent analyser la performance des agents, déboguer les modèles et itérer sur la conception des simulations. NeuralABM facilite la combinaison de l'apprentissage par renforcement avec l'ABM pour des applications en sciences sociales, économie, robotique et comportements NPC pilotés par IA dans les jeux. Il fournit des composants modulaires pour la personnalisation de l'environnement, supporte les interactions multi-agents, et offre des hooks pour intégrer des jeux de données ou API externes pour des simulations du monde réel. La conception ouverte favorise la reproductibilité et la collaboration via une configuration claire des expériences et une intégration du contrôle de version.

PaperList est un assistant de recherche innovant alimenté par l'IA qui rationalise le processus de découverte, de partage et de gestion d'articles académiques. Conçu pour les chercheurs, les étudiants et les universitaires, il utilise des algorithmes avancés pour aider les utilisateurs à trouver facilement la littérature pertinente, résumer les résultats de recherche et collaborer efficacement. Que ce soit pour réaliser une revue de littérature ou pour se tenir au courant des dernières publications, PaperList fournit une plateforme conviviale qui améliore la productivité et soutient les efforts académiques.

PubCompare.ai est une plateforme pilotée par l'IA qui fournit aux scientifiques une base de données étendue de protocoles expérimentaux évalués par des pairs. En tirant parti de l'IA, elle garantit aux chercheurs un accès rapide à des méthodologies fiables et à un comparateur de protocoles pour mettre en évidence les variations entre les protocoles. Cette plateforme vise à rationaliser le processus de recherche, minimiser la redondance expérimentale et améliorer l'efficacité globale des recherches.

Autogen Studio Research est un prototype de recherche hébergé sur GitHub pour construire, visualiser et faire évoluer des applications d'IA multi-agents. Il propose une interface web permettant de faire glisser et déposer des composants d'agents, définir des canaux de communication et configurer des pipelines d'exécution. En arrière-plan, il utilise un SDK Python pour se connecter à divers backends LLM (OpenAI, Azure, modèles locaux) et offre un journal en temps réel, des métriques et des outils de débogage. La plateforme est conçue pour le prototypage rapide de systèmes d'agents collaboratifs, de flux de décisions et d'orchestration automatisée des tâches.

Cove est un assistant de recherche piloté par l'IA qui s'intègre à vos outils web préférés pour vous aider à rechercher plus efficacement. Il vous permet de poser des questions, de résumer des sites web ou des PDF, et d'obtenir des réponses instantanées aux articles. Cove combine les meilleurs modèles d'IA d'Anthropic Claude, OpenAI ChatGPT, Meta et Perplexity pour fournir un contenu précis et éditable. Que ce soit pour une recherche complexe ou pour organiser vos pensées visuellement, Cove peut vous aider dans votre flux de travail sans besoin d'intégration spéciale. Cliquez et comparez le contenu, et laissez Cove suggérer de nouvelles idées, vous garantissant de ne jamais être bloqué.

GridWorldEnvs propose une suite complète d'environnements de mondes en grille pour soutenir la conception, le test et la benchmarkisation des systèmes d'apprentissage par renforcement et multi-agents. Les utilisateurs peuvent facilement configurer les dimensions de la grille, les positions de départ des agents, les emplacements cibles, obstacles, structures de récompense et espaces d'actions. La bibliothèque inclut des modèles prêts à l'emploi tels que la navigation classique, l'évitement d'obstacles et les tâches coopératives, tout en permettant la définition de scénarios personnalisés via JSON ou classes Python. Une intégration transparente avec l'API OpenAI Gym permet d'appliquer directement des algorithmes RL standards. De plus, GridWorldEnvs supporte des expérimentations à agent unique ou multi-agents, des outils de journalisation et de visualisation pour le suivi des performances des agents.