Multi-Agent Visual Tracking implémente un système de suivi distribué composé d'agents intelligents qui communiquent pour améliorer la précision et la robustesse du suivi d'objets vidéo. Les agents exécutent des réseaux neuronaux convolutifs pour la détection, partagent leurs observations pour gérer les occlusions et ajustent les paramètres de suivi via l'apprentissage par renforcement. Compatible avec des jeux de données vidéo populaires, il supporte aussi bien la formation que l'inférence en temps réel. Les utilisateurs peuvent l'intégrer facilement dans des pipelines existants et étendre les comportements des agents pour des applications personnalisées.

llm-ReAct implémente l'architecture ReAct (Reasoning and Acting) pour les grands modèles de langage, permettant une intégration transparente du raisonnement par chaînes de pensées avec l'exécution d'outils externes et le stockage mémoire. Les développeurs peuvent configurer une boîte à outils d'outils personnalisés — tels que la recherche web, les requêtes en base de données, les opérations sur fichiers et les calculatrices — et instruire l'agent à planifier des tâches multi-étapes en invoquant les outils selon le besoin pour récupérer ou traiter des informations. Le module mémoire intégré conserve l'état de la conversation et les actions passées, favorisant un comportement d'agent plus sensible au contexte. Avec un code Python modulaire et une prise en charge des API OpenAI, llm-ReAct simplifie l'expérimentation et le déploiement d'agents intelligents capables de résoudre adaptativement des problèmes, d'automatiser des flux de travail et de fournir des réponses riches en contexte.