Acme est un framework basé sur Python qui simplifie le développement et l'évaluation d'agents d'apprentissage par renforcement. Il propose une collection d'implémentations d'agents préconstruites (par exemple, DQN, PPO, SAC), des enveloppes d'environnement, des tampons de répétition et des moteurs d'exécution distribués. Les chercheurs peuvent combiner et ajuster les composants pour prototyper de nouveaux algorithmes, surveiller les métriques d'entraînement avec la journalisation intégrée et exploiter des pipelines distribués évolutifs pour de large experiments. Acme s'intègre avec TensorFlow et JAX, prend en charge des environnements personnalisés via OpenAI Gym interfaces, et inclut des utilitaires pour la sauvegarde, l'évaluation et la configuration des hyperparamètres.

Halite II est un cadre open-source pour défis qui organise des matchs stratégiques au tour par tour entre bots écrits par l'utilisateur. Chaque tour, les agents reçoivent un état de la carte, émettent des commandes de déplacement et d'attaque, et concourent pour contrôler le plus de territoire. La plateforme inclut un serveur de jeu, un analyseur de carte et un outil de visualisation. Les développeurs peuvent tester localement, affiner leurs heuristiques, optimiser la performance sous contrainte de temps et soumettre leur bot à un tableau de classement en ligne. Le système supporte l'amélioration itérative des bots, la coopération multi-agents et la recherche de stratégies dans un environnement standardisé.

HoneyHive est une plateforme complète fournissant des outils d'évaluation, de test et d'observabilité d'IA, principalement destinée aux équipes qui construisent et maintiennent des applications GenAI. Il permet aux développeurs de tester, évaluer et comparer automatiquement des modèles, des agents et des pipelines RAG selon des critères de sécurité et de performance. En agrégeant des données de production telles que des traces, des évaluations et des retours d'utilisateurs, HoneyHive facilite la détection d'anomalies, des tests approfondis et des améliorations itératives dans les systèmes d'IA, garantissant qu'ils sont prêts pour la production et fiables.

MARTI (Multi-Agent Reinforcement Learning Toolkit and Interface) est un cadre orienté recherche qui facilite le développement, l'évaluation et le benchmarking des algorithmes RL multi-agent. Il offre une architecture plug-and-play où les utilisateurs peuvent configurer des environnements personnalisés, des politiques d'agents, des structures de récompense et des protocoles de communication. MARTI s'intègre aux bibliothèques de deep learning populaires, supporte l'accélération GPU et l'entraînement distribué, et génère des journaux détaillés ainsi que des visualisations pour l'analyse des performances. La conception modulaire du toolkit permet une prototypage rapide des approches novatrices et une comparaison systématique avec des baselines standard, ce qui le rend idéal pour la recherche académique et les projets pilotes dans les systèmes autonomes, la robotique, l'IA de jeu et les scénarios multi-agents coopératifs.

ePH-MAPF fournit un pipeline efficace pour calculer des chemins sans collision pour des dizaines à des centaines d'agents sur des cartes basées sur une grille. Il utilise des heuristiques prioritaires, des techniques de recherche incrémentielle et des métriques de coût personnalisables (Manhattan, Euclidéenne) pour équilibrer rapidité et qualité de la solution. Les utilisateurs peuvent choisir parmi différentes fonctions heuristiques, intégrer la bibliothèque dans des systèmes robotiques Python, et benchmarker la performance sur des scénarios MAPF standards. Le code est modulaire et bien documenté, permettant aux chercheurs et développeurs de l’étendre pour des obstacles dynamiques ou des environnements spécialisés.

Les LLMs offrent une abstraction unifiée pour divers modèles linguistiques open source et hébergés, permettant aux développeurs de charger et d'exécuter des modèles via une seule interface. Il supporte la découverte de modèles, la gestion des invites et des pipelines, le traitement en lot, ainsi que le contrôle précis des tokens, de la température et du streaming. Les utilisateurs peuvent facilement changer entre les backends CPU et GPU, s'intégrer à des hôtes de modèles locaux ou distants, et mettre en cache les réponses pour améliorer la performance. Le framework inclut des utilitaires pour les modèles d'invite, l'analyse des réponses et le benchmarking des performances des modèles. En découplant la logique de l'application de l'implémentation spécifique au modèle, LLMs accélère le développement d'applications NLP telles que chatbots, génération de texte, synthèse, traduction, etc., sans verrouillage fournisseur ou API propriétaire.