SeeAct est conçu pour donner aux agents vision-langage une pipeline en deux étapes : un module de planification alimenté par de grands modèles de langage génère des sous-objectifs basés sur des scènes observées, et un module d'exécution traduit ces sous-objectifs en actions spécifiques à l'environnement. Un backbone de perception extrait des caractéristiques d'objets et de scènes à partir d'images ou de simulations. L'architecture modulaire permet de remplacer facilement les planificateurs ou réseaux de perception et supporte l'évaluation sur AI2-THOR, Habitat et d'autres environnements personnalisés. SeeAct accélère la recherche sur l'IA incarnée interactive en fournissant une décomposition, une mise en contexte et une exécution de tâches de bout en bout.

RoboCup Rescue Agent Simulation est un cadre open-source qui modélise des environnements urbains de catastrophe où plusieurs agents pilotés par IA collaborent pour localiser et sauver des victimes. Il propose des interfaces pour la navigation, la cartographie, la communication et l’intégration de capteurs. Les utilisateurs peuvent écrire des stratégies d’agents personnalisées, exécuter des expériences par lot, et visualiser les indicateurs de performance des agents. La plateforme supporte la configuration des scénarios, la journalisation et l’analyse des résultats pour accélérer la recherche dans les systèmes multi-agents et les algorithmes de réponse aux catastrophes.

BabyAGI UI fournit une interface frontale allégée, basée sur le navigateur, pour l'agent autonome open-source BabyAGI. Les utilisateurs saisissent un objectif global et une tâche initiale; le système utilise alors de grands modèles linguistiques pour générer des tâches suivantes, les prioriser en fonction de leur pertinence par rapport à l'objectif principal, et exécuter chaque étape. Tout au long du processus, BabyAGI UI conserve un historique des tâches terminées, affiche les résultats de chaque exécution, et met à jour dynamiquement la file d'attente des tâches. Les utilisateurs peuvent ajuster des paramètres comme le type de modèle, la mémoire, et les limites d'exécution, offrant un équilibre entre automatisation et contrôle dans des flux de travail auto-dirigés.

Patrolling-Zoo offre un cadre flexible permettant aux utilisateurs de créer et d'expérimenter avec des tâches de patrouille multi-agent en Python. La bibliothèque inclut une variété d'environnements basés sur des grilles et des graphes, simulant des scénarios de surveillance, de contrôle et de couverture. Les utilisateurs peuvent configurer le nombre d'agents, la taille de la carte, la topologie, les fonctions de récompense et les espaces d'observation. Grâce à la compatibilité avec PettingZoo et les API Gym, elle supporte une intégration transparente avec des algorithmes populaires d'apprentissage par renforcement. Cet environnement facilite le benchmarking et la comparaison des techniques MARL sous des paramètres cohérents. En fournissant des scénarios standard et des outils pour en créer de nouveaux, Patrolling-Zoo accélère la recherche en robotique autonome, surveillance de sécurité, opérations de recherche et sauvetage, et couverture efficace des zones en utilisant des stratégies de coordination multi-agents.

AgentInteraction est un framework Python orienté développeur conçu pour simuler, coordonner et évaluer les interactions multi-agents en utilisant de grands modèles linguistiques. Il permet aux utilisateurs de définir des rôles d'agents distincts, de contrôler le flux de conversation via un gestionnaire central et d’intégrer tout fournisseur LLM via une API cohérente. Avec des fonctionnalités comme le routage des messages, la gestion du contexte et l’analyse des performances, AgentInteraction simplifie l’expérimentation avec des architectures d’agents collaboratifs ou compétitifs, facilitant le prototypage de scénarios complexes et la mesure du taux de réussite.

Le Co-Scientifique AI de Google combine des algorithmes avancés de machine learning pour aider les chercheurs en générant des hypothèses basées sur des données existantes, en suggérant des designs expérimentaux et en analysant les résultats. Ce système AI peut traiter d'énormes ensembles de données rapidement, fournissant des informations qui peuvent conduire à des percées scientifiques significatives dans des domaines tels que la biologie, la chimie et les sciences des matériaux. En agissant en tant qu'assistant, il aide les chercheurs à se concentrer sur la pensée critique et les expériences innovantes plutôt que sur le traitement de données banal.

Mava est une bibliothèque open-source basée sur JAX pour développer, entraîner et évaluer des systèmes d'apprentissage par renforcement multi-agent. Elle propose des implémentations préconstruites d'algorithmes coopératifs et compétitifs tels que MAPPO et MADDPG, ainsi que des boucles de formation configurables prenant en charge les flux de travail à nœud unique et distribués. Les chercheurs peuvent importer des environnements depuis PettingZoo ou définir leurs propres environnements, puis utiliser les composants modulaires de Mava pour l'optimisation de politique, la gestion du tampon de répétition et la journalisation des métriques. L'architecture flexible du cadre permet une intégration transparente de nouveaux algorithmes, espaces d'observation personnalisés et structures de récompense. En exploitant les capacités d'auto-vectorisation et d'accélération matérielle de JAX, Mava assure des expériences efficaces à grande échelle et un benchmarking reproductible dans divers scénarios multi-agent.

MGym est un cadre spécialisé pour créer et gérer des environnements d'apprentissage par renforcement multi-agent (MARL) en Python. Il permet aux utilisateurs de définir des scénarios complexes avec plusieurs agents, chacun disposant d'espaces d'observation et d'action personnalisables, de fonctions de récompense et de règles d'interaction. MGym supporte à la fois les modes d'exécution synchrones et asynchrones, fournissant des simulations d'agents parallèles et tournantes. Conçu avec une API semblable à Gym, MGym s'intègre parfaitement avec des bibliothèques RL populaires telles que Stable Baselines, RLlib et PyTorch. Il comprend des modules utilitaires pour le benchmarking des environnements, la visualisation des résultats et l'analyse des performances, facilitant une évaluation systématique des algorithmes MARL. Son architecture modulaire permet un prototypage rapide de tâches cooperatives, compétitives ou d'agents mixtes, permettant aux chercheurs et développeurs d'accélérer l'expérimentation et la recherche MARL.