DEf-MARL (Cadre d'exécution décentralisé pour l'apprentissage par renforcement multi-agents) fournit une infrastructure robuste pour exécuter et former des agents coopératifs sans contrôleurs centralisés. Il exploite des protocoles de communication peer-to-peer pour partager les politiques et observations entre agents, permettant une coordination par interactions locales. Le cadre s'intègre parfaitement avec des outils RL courants tels que PyTorch et TensorFlow, offrant des wrappers d'environnement personnalisables, la collecte distribuée de rollouts et des modules de synchronisation de gradients. Les utilisateurs peuvent définir des espaces d'observation, des fonctions de récompense et des topologies de communication spécifiques à chaque agent. DEf-MARL supporte l'ajout et la suppression dynamiques d'agents en cours d'exécution, une exécution tolérante aux fautes en répliquant des états critiques sur les nœuds, et une planification de communication adaptative pour équilibrer exploration et exploitation. Il accélère la formation par la parallélisation des simulations d'environnements et la réduction des goulets d'étranglement centraux, ce qui le rend adapté à la recherche MARL à grande échelle et aux simulations industrielles.

Le cadre Controllable RAG offre une approche modulaire pour construire des systèmes de génération augmentée par récupération. Il permet de configurer et de chaîner les composants de récupération, les modules de mémoire et les stratégies de génération. Les développeurs peuvent brancher différents LLM, bases de données vectorielles et contrôleurs de politique pour ajuster la façon dont les documents sont récupérés et traités avant la génération. Basé sur Python, il comprend des utilitaires pour l'indexation, les requêtes, le suivi de l'historique de conversation et les flux de contrôle basés sur des actions, ce qui le rend idéal pour les chatbots, les assistants de connaissance et les outils de recherche.

MIDCA est une architecture modulaire conçue pour supporter la boucle cognitive complète des agents intelligents. Elle traite les entrées sensorielles via un module de perception, interprète les données pour générer et prioriser des objectifs, utilise un planificateur pour créer des séquences d'actions, exécute des tâches, puis évalue les résultats par une couche métacognitive. La conception à double-cycles sépare les réponses réactives rapides du raisonnement délibératif plus lent, permettant aux agents de s'adapter dynamiquement. La cadre extensible et le code source ouvert font de MIDCA un outil idéal pour la recherche et le développement dans la prise de décision autonome, l'apprentissage et la réflexion sur soi en IA.