MONAI, ou Réseau Ouvert Médical pour l'IA, est un cadre open-source conçu pour l'apprentissage profond en imagerie de santé. Il fournit des outils et des bibliothèques robustes pour les professionnels de la santé, leur permettant de développer, former et déployer rapidement et efficacement des solutions basées sur l'IA. Son architecture modulaire garantit que les utilisateurs peuvent personnaliser leurs flux de travail tout en s'appuyant sur des composants existants, ce qui entraîne des recherches et une collaboration clinique plus efficaces. Avec MONAI, les développeurs peuvent gérer divers ensembles de données médicales, facilitant les avancées dans les technologies d'imagerie médicale.

Vapi est une plateforme AI vocale destinée aux développeurs, offrant un moyen simplifié et efficace de créer, tester et déployer des agents vocaux. En tirant parti des technologies d'IA de pointe, Vapi permet de créer des bots à la sonorité naturelle pouvant être utilisés dans diverses applications telles que le support client, les ventes sortantes et bien plus encore. La plateforme prend en charge un développement modulaire et évolutif, ce qui en fait un choix polyvalent pour une large gamme d'applications vocales. Grâce à des processus automatisés et des outils faciles à utiliser, les développeurs peuvent passer rapidement d'une idée à sa mise en œuvre, économisant ainsi du temps et des ressources.

WorFBench est un cadre complet open-source conçu pour évaluer les capacités des agents IA construits sur de grands modèles linguistiques. Il offre une large gamme de tâches — de la planification d’itinéraire à la génération de code — chacune avec des objectifs et des métriques d’évaluation clairement définis. Les utilisateurs peuvent configurer des stratégies d’agents personnalisées, intégrer des outils externes via des APIs standardisées et exécuter des évaluations automatisées enregistrant la performance en décomposition, profondeur de planification, précision de l’appel aux outils, et qualité du résultat final. Les tableaux de bord de visualisation intégrés permettent de suivre le parcours décisionnel de chaque agent, facilitant l’identification des forces et faiblesses. La conception modulaire de WorFBench permet une extension rapide avec de nouvelles tâches ou modèles, favorisant la recherche reproductible et les études comparatives.

Colosseum Agent Battles fournit un SDK Python modulaire pour construire des compétitions d'agents IA dans des arènes personnalisables. Les utilisateurs peuvent définir des environnements avec des terrains, ressources et règles spécifiques, puis implémenter des stratégies d'agents via une interface standardisée. Le framework gère la planification des batailles, la logique d'arbitrage et la journalisation en temps réel des actions et résultats des agents. Il comprend des outils pour organiser des tournois, suivre les statistiques de victoire/défaite et visualiser la performance des agents via des graphiques. Les développeurs peuvent intégrer des bibliothèques de ML populaires pour entraîner des agents, exporter les données de bataille pour analyse, et étendre les modules d'arbitrage pour appliquer des règles personnalisées. Enfin, il facilite le benchmarking des stratégies IA en compétition directe. La journalisation en formats JSON et CSV est également supportée pour les analyses ultérieures.

Devon fournit une suite complète d'outils pour définir, orchestrer et exécuter des agents autonomes au sein d'applications Python. Les utilisateurs peuvent définir des objectifs pour l'agent, spécifier des tâches appelables et chaîner des actions en fonction de conditions. Grâce à une intégration transparente avec des modèles linguistiques tels que GPT et des bases de données vectorielles locales, les agents ingèrent et interprètent les entrées utilisateur, récupèrent des connaissances contextuelles et génèrent des plans. Le framework supporte la mémoire à long terme via des backends de stockage modulaires, permettant aux agents de se souvenir des interactions passées. Des composants de surveillance et de journalisation intégrés permettent un suivi en temps réel des performances de l'agent, tandis qu'une CLI et un SDK facilitent le développement et le déploiement rapides. Convient pour automatiser le support client, les pipelines d'analyse de données et les opérations métier routinières, Devon accélère la création de travailleurs numériques évolutifs.

AgentRpi transforme un Raspberry Pi en un hub d'agents IA edge en orchestrant des modèles de langage avec du matériel physique. En combinant des entrées de capteurs (température, mouvement), des flux de caméras et de l'audio micro, il traite les informations contextuelles via des LLM configurés (OpenAI GPT, variantes Llama locales) pour planifier et exécuter des actions de manière autonome. Les utilisateurs définissent des comportements à l'aide de configurations YAML ou de scripts Python, permettant des tâches comme le déclenchement d'alertes, l'ajustement des broches GPIO, la capture d'images ou la réponse aux commandes vocales. Son architecture basée sur des plugins permet des intégrations API transparentes, l'ajout de compétences personnalisées et le déploiement via Docker. Idéal pour les environnements à faible consommation et sensibles à la confidentialité, AgentRpi permet aux développeurs de prototyper des scénarios d'automatisation intelligente sans dépendre uniquement des services cloud.

demo_smolagents est une implémentation de référence de SmolAgents, un micro-framework en Python pour créer des agents IA autonomes alimentés par de grands modèles linguistiques. Cette démo comprend des exemples de configuration d'agents individuels avec des kits d'outils spécifiques, d'établissement de canaux de communication entre agents et de gestion dynamique du transfert de tâches. Elle met en avant l'intégration LLM, l'invocation d'outils, la gestion des invites et des modèles d'orchestration d'agents pour construire des systèmes multi-agents pouvant effectuer des actions coordonnées en fonction des entrées utilisateur et des résultats intermédiaires.

Entry Point AI est une plateforme moderne sans code qui permet aux utilisateurs et aux entreprises de concevoir, d'ajuster et de gérer des modèles de langage personnalisé (LLMs) tels que GPT et Llama-2. La plateforme simplifie le processus de création de modèles d'IA, permettant aux utilisateurs d'importer des données commerciales, de générer des données synthétiques et d'évaluer le modèle, rendant cela accessible aux individus et aux organisations de toutes tailles.

HexaBot est conçu pour simplifier le développement et le déploiement d'agents autonomes intelligents. Il offre des pipelines de flux de travail modulaires qui décomposent les tâches complexes en étapes gérables, ainsi que des magasins de mémoire persistante pour conserver le contexte entre les sessions. Les développeurs peuvent connecter les agents à des APIs externes, bases de données et services tiers via un écosystème de plugins. La surveillance en temps réel et la journalisation garantissent la visibilité sur le comportement des agents, tandis que les SDKs pour Python et JavaScript permettent une intégration rapide dans des applications existantes. L'infrastructure évolutive de HexaBot gère une forte concurrence et supporte des déploiements versionnés pour une utilisation fiable en production.