La Communication Émergente chez les Agents est un cadre PyTorch open-source conçu pour les chercheurs explorant comment les systèmes multi-agent développent leurs propres protocoles de communication. La bibliothèque offre des implémentations flexibles de tâches d'apprentissage par renforcement coopératif, y compris des jeux référentiels, des jeux combinatoires et des défis d'identification d'objets. Les utilisateurs définissent des architectures d'agents locuteurs et auditeurs, spécifient les propriétés des canaux de message comme la taille du vocabulaire et la longueur de la séquence, et sélectionnent des stratégies d'entraînement telles que les gradients de politique ou l'apprentissage supervisé. Le cadre comprend des scripts de bout en bout pour exécuter des expériences, analyser l'efficacité de communication et visualiser les langues émergentes. Sa conception modulaire facilite l'extension avec de nouveaux environnements de jeu ou des fonctions de perte personnalisées. Les chercheurs peuvent reproduire des études publiées, benchmarker de nouveaux algorithmes et explorer la compositionnalité et la sémantique des langues d'agents émergents.

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

Poke-Env est conçu pour simplifier la création et l'évaluation d'agents IA pour les combats Pokémon Showdown en fournissant une interface Python complète. Il gère la communication avec le serveur Pokémon Showdown, analyse les données d'état du jeu et gère les actions tour par tour via une architecture événementielle. Les utilisateurs peuvent étendre les classes de base des joueurs pour implémenter des stratégies personnalisées utilisant l'apprentissage par reinforcement ou des algorithmes heuristiques. Le framework offre une prise en charge intégrée pour les simulations de combat, les affrontements parallèles et la journalisation détaillée des actions, récompenses et résultats pour une recherche reproductible. En abstraisant les tâches réseau et d'analyse de bas niveau, Poke-Env permet aux chercheurs et aux développeurs de se concentrer sur la conception d'algorithmes, l'optimisation des performances et le benchmarking comparatif des stratégies de combat.

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.

MAGAIL implémente une extension multi-agent de l'apprentissage par imitation adversariale générative, permettant à des groupes d'agents d'apprendre des comportements coordonnés à partir de démonstrations d'experts. Construit en Python avec support pour PyTorch (ou variantes TensorFlow), MAGAIL se compose de modules de politiques (générateur) et de discriminateurs, entraînés en boucle antagoniste. Les agents génèrent des trajectoires dans des environnements tels que OpenAI Multi-Agent Particle Environment ou PettingZoo, que le discriminateur utilise pour évaluer leur authenticité par rapport aux données d'experts. Par des mises à jour itératives, les réseaux de politiques convergent vers des stratégies proches de celles des experts sans fonctions de récompense explicites. La conception modulaire de MAGAIL permet de personnaliser les architectures de réseau, l’ingestion de données d’experts, l’intégration avec l’environnement et les hyperparamètres d'entraînement. De plus, la journalisation intégrée et la visualisation avec TensorBoard facilitent la surveillance et l’analyse des progrès d'apprentissage multi-agent et des comparateurs de performance.