Flocking Multi-Agent offre une bibliothèque modulaire pour simuler des agents autonomes exhibant une intelligence de troupe. Elle encode les comportements de pilotage principaux — cohésion, séparation et alignement — ainsi que l’évitement d’obstacles et la poursuite de cibles dynamiques. En utilisant Python et Pygame pour la visualisation, le cadre permet d’ajuster les paramètres tels que le rayon des voisins, la vitesse maximale et la force de tournage. Il supporte l’extensibilité via des fonctions comportementales personnalisées et des hook d’intégration pour la robotique ou les moteurs de jeu. Idéal pour l’expérimentation en IA, robotique, développement de jeux et recherche académique, il démontre comment des règles locales simples conduisent à des formations globales complexes.

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

MultiAgent-Systems-StarCraft2-PySC2-Raw fournit un kit complet pour le développement, l'entraînement et l'évaluation de multiples agents IA dans StarCraft II. Il expose des contrôles de bas niveau pour le déplacement d'unités, la visée et les capacités, tout en permettant une conception flexible de récompenses et de scénarios. Les utilisateurs peuvent facilement insérer des architectures neuronales personnalisées, définir des stratégies de coordination en équipe et enregistrer des métriques. Basé sur PySC2, il supporte l'entraînement en parallèle, la création de points de contrôle et la visualisation, ce qui en fait un outil idéal pour faire progresser la recherche en apprentissage par renforcement multi-agent coopératif et adversarial.

Les agents d'apprentissage par renforcement pour les jeux PettingZoo sont une bibliothèque en Python qui propose des algorithmes prêts à l'emploi DQN, PPO et A2C pour l'apprentissage par renforcement multi-agent dans les environnements PettingZoo. Elle comprend des scripts standardisés pour l'entraînement et l'évaluation, des hyperparamètres configurables, une journalisation intégrée dans TensorBoard et prend en charge à la fois les jeux compétitifs et coopératifs. Les chercheurs et développeurs peuvent cloner le dépôt, ajuster les paramètres de l'environnement et de l'algorithme, exécuter des sessions d'entraînement et visualiser les métriques pour accélérer leur développement et comparer leurs expériences en RL multi-agent.

StoreforGPT est une plateforme en ligne dédiée à la présentation des créations GPT personnalisées. Les utilisateurs peuvent explorer une grande variété de GPT adaptés à divers objectifs, facilitant ainsi la recherche de solutions IA répondant à des besoins spécifiques. La plateforme favorise l'innovation et l'engagement communautaire en permettant aux utilisateurs d'essayer et de partager leurs propres GPT. Que vous souhaitiez améliorer votre productivité, rationaliser vos tâches ou simplement expérimenter avec l'IA, StoreforGPT est l'endroit idéal pour découvrir de nouvelles possibilités.

Dual Coding Agents offre une architecture modulaire pour construire des agents IA combinant de manière transparente compréhension visuelle et génération de langage. Le framework offre un support intégré pour les encodeurs d'images comme OpenAI CLIP, les modèles linguistiques basés sur transformer tels que GPT, et les orchestrent dans une pipeline en chaîne de pensée. Les utilisateurs peuvent fournir des images et des modèles de prompts à l'agent, qui traite les caractéristiques visuelles, raisonne sur le contexte et produit des sorties textuelles détaillées. Les chercheurs et les développeurs peuvent échanger des modèles, configurer des prompts et étendre les agents avec des plugins. Cette boîte à outils simplifie les expériences en IA multimodale, permettant de rapidement prototyper des applications allant de la question-réponse visuelle à l'analyse de documents, en passant par les outils d'accessibilité et les plateformes éducatives.

LLM Clash est une plateforme dynamique conçue pour les passionnés d'IA, les chercheurs et les amateurs qui souhaitent défier leurs grands modèles de langage (LLMs) dans des débats en temps réel contre d'autres LLMs. La plateforme est polyvalente, prenant en charge à la fois les modèles ajustés et ceux prêts à l'emploi, qu'ils soient hébergés localement ou dans le cloud. Cela en fait un environnement idéal pour tester et améliorer les performances et les capacités argumentatives de vos LLMs. Parfois, un prompt bien conçu est tout ce dont vous avez besoin pour faire pencher la balance lors d'un débat !

multi_agent_celar est conçue comme une plateforme d'IA modulaire permettant une communication à langage émergent entre plusieurs agents intelligents dans des environnements simulés. Les utilisateurs peuvent définir le comportement des agents via des fichiers de politique, configurer les paramètres de l'environnement, et lancer des sessions d'entraînement coordonnées où les agents font évoluer leurs propres protocoles de communication pour résoudre des tâches coopératives. Le cadre comprend des scripts d'évaluation, des outils de visualisation, et prend en charge des expériences évolutives, ce qui en fait une solution idéale pour la recherche en collaboration multi-agent, langage émergent et processus de décision.

SimCheck est une extension Chrome conçue pour aider les utilisateurs à générer, comparer et visualiser des embeddings vectoriels. Cette extension tire parti des modèles HuggingFace et de la bibliothèque transformers.js, offrant une interface facile à utiliser pour expérimenter avec des embeddings textuels. Les utilisateurs peuvent créer des embeddings, les comparer et visualiser les résultats, en faisant un outil précieux pour les développeurs, les data scientists et les passionnés de NLP. Elle est particulièrement utile pour comprendre les similitudes et les différences entre les données textuelles de manière plus intuitive et interactive.

Vanilla Agents est un cadre léger basé sur PyTorch qui fournit des implémentations modulaires et extensibles d'agents d'apprentissage par renforcement de base. Il supporte des algorithmes comme DQN, Double DQN, PPO et A2C, avec des wrappers d'environnement adaptables compatibles avec OpenAI Gym. Les utilisateurs peuvent configurer les hyperparamètres, enregistrer les métriques d'entraînement, sauvegarder les points de contrôle et visualiser les courbes d'apprentissage. La base de code est organisée pour la clarté, ce qui le rend idéal pour le prototypage de recherche, un usage éducatif et la mise en référence de nouvelles idées en RL.

CAMEL-AI est un framework basé sur Python permettant aux développeurs et chercheurs de construire, configurer et exécuter plusieurs agents IA autonomes alimentés par des LLMs. Il offre un support intégré pour la génération augmentée par récupération (RAG), l’utilisation d’outils externes, la communication entre agents, la gestion de la mémoire et de l’état, et la planification. Avec des composants modulaires et une intégration facile, les équipes peuvent prototyper des systèmes multi-agent complexes, automatiser des workflows et faire évoluer des expériences sur différents backends LLM.

CrewAI-Learning est une bibliothèque open-source conçue pour simplifier les projets d'apprentissage par renforcement multi-agent. Elle offre des structures d'environnements, des définitions modulaires d'agents, des fonctions de récompense personnalisables, et une suite d'algorithmes intégrés comme DQN, PPO, et A3C adaptés aux tâches collaboratives. Les utilisateurs peuvent définir des scénarios, gérer les boucles de formation, enregistrer les métriques et visualiser les résultats. Le framework supporte la configuration dynamique des équipes d'agents et les stratégies de partage de récompense, rendant facile le prototypage, l'évaluation et l'optimisation de solutions IA coopératives dans divers domaines.