HMASは、階層型マルチエージェントシステムの開発を可能にするオープンソースのPythonフレームワークです。エージェント階層の定義、相互通信プロトコル、環境との連携、ビルトイン訓練ループの抽象化を提供します。研究者や開発者は、HMASを使用して複雑なエージェント間の相互作用のプロトタイピング、協調ポリシーの訓練、シミュレーション環境でのパフォーマンス評価を行えます。そのモジュール式設計により、エージェント、環境、訓練戦略の拡張とカスタマイズが容易です。

MAPF_G2RLは、グラフ理論と深層強化学習を橋渡しし、マルチエージェント経路探索（MAPF）問題に取り組むオープンソースの研究フレームワークです。ノードとエッジをベクトル表現にエンコードし、空間的かつ衝突認識型の報酬関数を定義し、DQN、PPO、A2CなどのさまざまなRLアルゴリズムをサポートします。このフレームワークは、ランダムなグラフを生成したり、実世界の地図をインポートしてシナリオを自動作成し、複数のエージェントのポリシーを最適化する訓練ループを調整します。学習後、エージェントはシミュレーション環境で評価され、経路の最適性、所要時間、成功率を測定します。そのモジュール化設計により、研究者はコアコンポーネントを拡張し、新しいMARL手法を統合し、従来のソルバーと比較評価することができます。

Foundry AIプラットフォームは、質の高いラベルを収集し、ブラウザエージェントを効果的にベンチマークし、パフォーマンスの問題をデバッグするための決定論的ウェブシミュレーションおよびアノテーションフレームワークを提供します。ウェブドリフト、IP禁止、レート制限の課題なしに、再現可能なテストとスケーラブルな評価を保証します。業界の専門家によって構築されたこのプラットフォームは、制御された環境でのエージェント評価、継続的な改善、パフォーマンスのデバッグを強化します。

Open Agent Leaderboardは、オープンソースのAIエージェントの評価パイプラインを提供します。推論、計画、質問応答、ツール使用をカバーする厳選されたタスク群、自動実行可能なハーネス、成功率、実行時間、リソース消費などのパフォーマンス指標を収集するスクリプトを備えています。結果は集約され、フィルターやチャート、履歴比較が可能なウェブベースのリーダーボードに表示されます。Dockerによる再現性のある設定、人気のエージェントアーキテクチャ向けの統合テンプレート、拡張可能な構成により、新しいタスクや指標を容易に追加できます。

Covalは、企業がいくつかのテストケースから数千のシナリオをシミュレートし、音声およびチャットエージェントを包括的にテストできるようにします。自動テストの専門家によって構築されたCovalは、カスタマイズ可能な音声シミュレーション、評価のための組み込みメトリクス、およびパフォーマンストラッキングなどの機能を提供します。信頼性のあるAIエージェントをより迅速に展開したい開発者や企業のために設計されています。

Dino Reinforcement Learningは、強化学習を通じてChromeの恐竜ゲームをプレイするAIエージェントの訓練に必要なツールキットを提供します。Seleniumを介してヘッドレスChromeインスタンスと連携し、リアルタイムのゲームフレームをキャプチャして深層Qネットワークの入力に最適化された状態表現に処理します。フレームリプレイ、イプシロン貪欲探索、畳み込みニューラルネットワークモデル、カスタマイズ可能なハイパーパラメータを持つトレーニングループなどのモジュールが含まれます。トレーニング進行状況はコンソールログで確認でき、チェックポイントを保存して後で評価できます。トレーニング後、エージェントは自律的にライブゲームをプレイしたり、異なるモデルアーキテクチャと比較評価したりできます。モジュール設計により、異なるRLアルゴリズムへの置き換えも容易です。