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.

multiagent_envs offre un ensemble modulaire d'environnements basés sur Python adaptés à la recherche et au développement en apprentissage par renforcement multi-agent. Il inclut des scénarios comme la navigation coopérative, la prédation, les dilemmes sociaux et des arènes compétitives. Chaque environnement permet de définir le nombre d'agents, les caractéristiques d'observation, les fonctions de récompense et la dynamique de collision. Le framework s'intègre facilement avec des bibliothèques RL populaires telles que Stable Baselines et RLlib, permettant des boucles d'entraînement vectorisées, une exécution parallèle et une journalisation facile. Les utilisateurs peuvent étendre des scénarios existants ou en créer de nouveaux via une API simple, accélérant l'expérimentation avec des algorithmes comme MADDPG, QMIX et PPO dans un environnement cohérent et reproductible.

Le framework LLM Maze Agent fournit un environnement basé sur Python pour construire des agents intelligents capables de naviguer dans des labyrinthes en grille en utilisant de grands modèles linguistiques. En combinant des interfaces modulaires d’environnement avec des modèles de prompt en chaîne de pensée et une planification heuristique, l’agent interroge itérativement un LLM pour décider des directions de déplacement, s’adapter aux obstacles et mettre à jour sa représentation d’état interne. La prise en charge prête à l’emploi des modèles OpenAI et Hugging Face permet une intégration transparente, tandis que la génération de labyrinthes configurable et le débogage étape par étape facilitent l’expérimentation avec différentes stratégies. Les chercheurs peuvent ajuster les fonctions de récompense, définir des espaces de observations personnalisés et visualiser les trajectoires de l’agent pour analyser les processus de raisonnement. Ce design rend LLM Maze Agent un outil polyvalent pour évaluer la planification pilotée par LLM, enseigner des concepts d’IA et benchmarker la performance des modèles sur des tâches de raisonnement spatial.