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.

NKC Multi-Agent Models fournit aux chercheurs et développeurs une boîte à outils complète pour concevoir, entraîner et évaluer des systèmes d'apprentissage par renforcement multi-agents. Elle dispose d'une architecture modulaire où les utilisateurs définissent des politiques agents personnalisées, des dynamiques d’environnement et des structures de récompense. L’intégration transparente avec OpenAI Gym permet un prototypage rapide, tandis que le support de TensorFlow et PyTorch offre une flexibilité dans le choix des moteurs d’apprentissage. Le framework inclut des utilitaires pour la rejouabilité d’expérience, la formation centralisée avec exécution décentralisée, et la formation distribuée sur plusieurs GPUs. Des modules de journalisation et de visualisation étendus capturent les métriques de performance, facilitant le benchmarking et l’ajustement des hyperparamètres. En simplifiant la mise en place de scénarios coopératifs, compétitifs et mixtes, NKC Multi-Agent Models accélère l’expérimentation dans des domaines comme les véhicules autonomes, les essaims robotiques et l’IA de jeu.

LightJason Benchmark propose un ensemble complet de scénarios prédéfinis et personnalisables pour tester et évaluer en stress les applications multi-agents construites sur le framework LightJason. Les utilisateurs peuvent configurer le nombre d'agents, les schémas de communication et les paramètres environnementaux pour simuler des charges de travail réelles et analyser le comportement du système. Les benchmarks collectent des métriques telles que le débit des messages, les temps de réponse des agents, la consommation CPU et mémoire, en exportant les résultats en formats CSV et graphiques. Son intégration avec JUnit permet une inclusion transparente dans les pipelines de tests automatisés, rendant possible des tests de régression et de performance dans le cadre de workflows CI/CD. Avec des réglages ajustables et des modèles de scénarios extensibles, la suite aide à repérer les goulots d'étranglement, valider les affirmations de scalabilité et guider les optimisations architecturales pour des systèmes multi-agents performants et résilients.