Mavaは、マルチエージェント強化学習システムの開発、訓練、評価のためのJAXベースのオープンソースライブラリです。 MAPPOやMADDPGなどの協調・競合アルゴリズムをあらかじめ実装し、単一ノードや分散ワークフローをサポートする設定可能なトレーニングループを備えています。研究者はPettingZooから環境をインポートしたり、カスタム環境を定義したりして、政策最適化、リプレイバッファ管理、指標ロギングのためのモジュールを利用できます。フレームワークの柔軟な設計により、新しいアルゴリズムやカスタム観測空間、報酬構造のシームレスな統合が可能です。JAXの自動ベクトル化とハードウェア加速機能を活用し、効率的な大規模実験と、多様なマルチエージェントシナリオでの再現性のあるベンチマークを保証します。

multiagent_envsは、マルチエージェント強化学習の研究開発向けに設計されたモジュール式のPython環境群です。協調ナビゲーション、捕食者-獲物、社会的ジレンマ、競争アリーナなどのシナリオを含みます。各環境ではエージェント数や観測特徴、報酬関数、衝突ダイナミクスを設定可能です。フレームワークはStable BaselinesやRLlibなどの人気RLライブラリとシームレスに統合されており、ベクトル化された学習ループ、並列実行、ログ記録が容易です。既存シナリオの拡張や新規作成もAPIを通じて容易に行え、MADDPG、QMIX、PPOなどのアルゴリズムを用いた実験を一貫した再現性のある環境で加速します。

LLM Maze Agentフレームワークは、Pythonベースの環境を提供し、大規模な言語モデルを使用してグリッド迷路をナビゲートできるインテリジェントエージェントを構築します。モジュール化された環境インターフェースとチェーン・オブ・ソートプロンプトテンプレートおよびヒューリスティックな計画を組み合わせて、エージェントは反復的にLLMに問い合わせて移動方向を決定し、障害物に適応し、内部状態表現を更新します。OpenAIとHugging Faceのモデルの即時サポートによりシームレスな統合が可能であり、構成可能な迷路生成とステップバイステップのデバッグによりさまざまな戦略を試すことができます。研究者は報酬関数を調整し、カスタム観測空間を定義し、エージェントの軌跡を可視化して推論プロセスを分析できます。この設計により、LLM Maze Agentは、LLM駆動の計画の評価、AI概念の指導、および空間推論タスクのモデルパフォーマンスのベンチマークに適した多目的ツールとなっています。