Team Coordination est une bibliothèque Python légère conçue pour simplifier l'orchestration de plusieurs agents IA travaillant ensemble sur des tâches complexes. En définissant des rôles d'agents spécialisés—tels que planificateurs, exécutants, évaluateurs ou communicateurs—les utilisateurs peuvent décomposer un objectif global en sous-tâches gérables, les déléguer à des agents individuels et faciliter une communication structurée entre eux. Le framework gère l'exécution asynchrone, le routage des protocoles et l'agrégation des résultats, permettant à des équipes d'agents IA de collaborer efficacement. Son système de plugins supporte l'intégration avec des LLM populaires, des API et une logique personnalisée, idéal pour des applications dans le service client automatisé, la recherche, le jeu AI et les pipelines de traitement de données. Avec des abstractions claires et des composants extensibles, Team Coordination accélère le développement de workflows multi-agents évolutifs.

Trinity-RFT (Retrieval Fine-Tuning) est un cadre open-source unifié conçu pour améliorer la précision et l'efficacité du modèle en combinant flux de travail de récupération et de fine-tuning. Les utilisateurs peuvent préparer un corpus, construire un index de récupération et insérer le contexte récupéré directement dans les boucles d'entraînement. Il supporte la récupération multimodale pour le texte, les images et la vidéo, s'intègre avec des magasins vectoriels populaires, et propose des métriques d'évaluation ainsi que des scripts de déploiement pour un prototypage rapide et un déploiement en production.

Advanced_RAG offre un pipeline modulaire pour les tâches de génération augmentée par récupération, comprenant des chargeurs de documents, des constructeurs d'index vectoriels et des gestionnaires de chaînes. Les utilisateurs peuvent configurer différentes bases de données vectorielles (FAISS, Pinecone), personnaliser les stratégies de récupération (recherche par similarité, recherche hybride), et intégrer n'importe quel LLM pour générer des réponses contextuelles. Il prend également en charge des métriques d’évaluation et la journalisation pour le tuning des performances, et est conçu pour la scalabilité et la extensibilité en environnement de production.

gym-llm étend l’écosystème OpenAI Gym aux grands modèles linguistiques en définissant des environnements textuels où les agents LLM interagissent via des invites et des actions. Chaque environnement suit les conventions step, reset, et render de Gym, émettant des observations sous forme de texte et acceptant des réponses générées par le modèle comme actions. Les développeurs peuvent créer des tâches personnalisées en spécifiant des modèles d’invite, des calculs de récompense et des conditions de fin, permettant des benchmarks avancés en prise de décision et en conversation. L’intégration avec des librairies RL populaires, des outils de journalisation, et des métriques d’évaluation configurables facilite des expérimentations de bout en bout. Que ce soit pour évaluer la capacité d’un LLM à résoudre des puzzles, gérer des dialogues ou naviguer dans des tâches structurées, gym-llm fournit un cadre standardisé et reproductible pour la recherche et le développement d’agents linguistiques avancés.

LLM Arena est une plateforme polyvalente conçue pour comparer différents grands modèles linguistiques. Les utilisateurs peuvent effectuer des évaluations détaillées basées sur des métriques de performance, des expériences utilisateur et l'efficacité globale. La plateforme permet des visualisations engageantes qui mettent en évidence les forces et les faiblesses, permettant aux utilisateurs de faire des choix éclairés pour leurs besoins en IA. En favorisant une communauté de comparaison, elle soutient les efforts collaboratifs pour comprendre les technologies d'IA, visant finalement à faire progresser le domaine de l'intelligence artificielle.

MARFT est un LLM basé sur Python, permettant des expériences reproductibles et la prototypage rapide de systèmes IA collaboratifs.

Nonfinito.xyz est une plateforme conçue pour faciliter la comparaison et l'évaluation des modèles multimodaux. Elle offre aux utilisateurs des outils complets pour exécuter et partager des évaluations, allant au-delà des modèles linguistiques traditionnels (LLMs) pour inclure divers modèles multimodaux. Cela aide à obtenir des insights plus profonds et à améliorer les performances en tirant parti d'un large éventail de paramètres et de métriques. Nonfinito vise à rationaliser le processus d'évaluation et à le rendre accessible aux chercheurs, développeurs et data scientists souhaitant optimiser leurs modèles.

Au cœur, RAG avancé fournit aux développeurs une architecture modulaire pour implémenter des workflows RAG. Le framework dispose de composants interchangeables pour l’ingestion de documents, les stratégies de segmentation, la génération d’embeddings, la persistance du magasin vectoriel et l’invocation de LLM. Cette modularité permet aux utilisateurs de mélanger et assortir des backends d’embedding (OpenAI, HuggingFace, etc.) et des bases de données vectorielles (FAISS, Pinecone, Milvus). RAG avancé inclut également des utilitaires de batch, des caches et des scripts d’évaluation pour les mesures de précision/rappel. En abstraisant les modèles RAG courants, il réduit la quantité de code répétitif et accélère l’expérimentation, le rendant idéal pour les chatbots basés sur la connaissance, la recherche d'entreprise et la synthèse dynamique de grands corpus.

Mean-Field MARL offre un cadre Python robuste pour l'implémentation et l’évaluation des algorithmes d'apprentissage par renforcement multi-agent à champ moyen. Il approxime les interactions à grande échelle en modélisant l'effet moyen des agents voisins via Q-learning par champ moyen. La bibliothèque comprend des wrappers d’environnement, des modules de politique d’agent, des boucles d’entraînement, et des métriques d’évaluation, permettant un entraînement scalable sur des centaines d’agents. Basé sur PyTorch pour l’accélération GPU, il supporte des environnements personnalisables comme Particle World et Gridworld. La conception modulaire facilite l’extension avec de nouveaux algorithmes, tandis que les outils intégrés de journalisation et de visualisation Matplotlib permettent de suivre les récompenses, les courbes de perte, et les distributions par champ moyen. Des scripts d’exemple et la documentation guident l’utilisateur à travers la configuration, l’expérimentation, et l’analyse des résultats, idéal pour la recherche et le prototypage de systèmes multi-agents à grande échelle.