NeXent est un framework d'agents IA flexible qui vous permet de définir des travailleurs numériques personnalisés via YAML ou SDK Python. Vous pouvez intégrer plusieurs LLM, API externes et chaînes d’outils dans des pipelines modulaires. Des modules mémoire intégrés permettent des interactions avec état, tandis qu’un tableau de bord de surveillance fournit des informations en temps réel. NeXent supporte le déploiement local et en cloud, les conteneurs Docker et évolue horizontalement pour les charges de travail d'entreprise. La conception open-source encourage l'extensibilité et les plugins communautaires.

Fleak permet aux équipes de données de créer, gérer et automatiser des flux de travail alimentés par l'IA sans avoir besoin d'infrastructure. Son interface intuitive permet aux utilisateurs de développer et de déployer facilement des points de terminaison API, ce qui le rend idéal pour ceux qui cherchent à rationaliser les opérations de données. Grâce à des outils de surveillance robustes, Fleak garantit que les flux de travail sont non seulement évolutifs mais aussi efficaces, permettant aux équipes de se concentrer sur l'innovation plutôt que sur la maintenance. La plateforme prend en charge l'intégration avec les principaux services de données, en faisant une solution complète pour l'orchestration des données.

Lakera se concentre sur la fourniture de solutions de sécurité de niveau entreprise pour les grands modèles linguistiques (LLMs). Son produit principal, Lakera Guard, permet aux organisations de développer et d'exploiter des applications d'IA génératives sans se soucier des injections de commandes, de la perte de données ou de l'exposition à des contenus nuisibles. En fournissant des outils tels que le suivi en temps réel, la détection des menaces et les vérifications automatisées de conformité, Lakera garantit que les modèles d'IA sont fiables, sécurisés et dignes de confiance.

Ce projet open-source offre un cadre complet d'apprentissage par renforcement multi-agent basé sur PyTorch et Unity ML-Agents. Il propose des algorithmes DDPG décentralisés, des wrappers d'environnements et des scripts d'entraînement. Les utilisateurs peuvent configurer les politiques d'agents, les réseaux critiques, les buffers de relecture et les travailleurs d'entraînement parallèles. Les hooks de journalisation permettent la surveillance avec TensorBoard, tandis qu'une architecture modulaire supporte des fonctions de récompense et paramètres d'environnement personnalisés. Le dépôt inclut des scènes Unity d'exemple illustrant des tâches de navigation collaborative, idéal pour étendre et benchmarker des scénarios multi-agent en simulation.