デッドシンプルセルフラーニングは、開発者にPythonで強化学習エージェントを作成およびトレーニングするための非常にシンプルなアプローチを提供します。このフレームワークは、環境ラッパー、ポリシーモジュール、経験バッファなどのコアRLコンポーネントを簡潔なインターフェースに抽象化します。ユーザーは、環境の初期化、PyTorchやTensorFlowのバックエンドを使用したカスタムポリシーの定義、およびロギングやチェックポイントを備えたトレーニングループの実行を迅速に行うことができます。このライブラリは、オンポリシーとオフポリシーのアルゴリズムをサポートしており、Q学習、ポリシー勾配、アクタークリティック手法の柔軟な実験を可能にします。ボイラープレートコードを削減することで、デッドシンプルセルフラーニングは実践者、教育者、研究者が最小限の設定でアルゴリズムのプロトタイピング、仮説の検証、エージェントのパフォーマンスの可視化を容易にします。そのモジュール式設計は、既存のMLスタックやカスタム環境との統合も促進します。

このリポジトリは、StarCraft IIのゲームプレイ研究のためのエンドツーエンドの強化学習フレームワークを提供します。メインエージェントはProximal Policy Optimization（PPO）を使用し、PySC2環境からの観察データを解釈して、正確なゲーム内アクションを出力します。開発者はニューラルネットワークの層、報酬の調整、訓練スケジュールをカスタマイズして性能向上を図れます。システムは、サンプル収集の効率化のためのマルチプロセッシング、訓練曲線の監視用ロギングユーティリティ、スクリプト化やビルトインAI対戦用の評価スクリプトをサポートします。コードはPythonで書かれ、TensorFlowを用いてモデルの定義と最適化を行います。ユーザーは、カスタム報酬関数、状態前処理、ネットワークアーキテクチャなどのコンポーネントを拡張可能です。

TexasHoldemAgentは、Pythonを基盤としたモジュール式環境を提供し、HEAD-UPリミットテキサスホールデムポーカーのAIプレイヤーを訓練、評価、展開します。カスタムのシミュレーションエンジンとDQNなどの深層強化学習アルゴリズムを統合し、反復的なポリシー改善を行います。主な機能には、ハンド状態のエンコード、アクションスペースの定義（フォールド、コール、レイズ）、報酬設計、リアルタイムでの意思決定評価があります。ユーザーは学習パラメータをカスタマイズし、CPU/GPUの高速化を利用し、訓練進行状況をモニターし、訓練済みモデルを読み込んだり保存したりできます。フレームワークはバッチシミュレーションをサポートし、さまざまな戦略のテストやパフォーマンスメトリクスの生成、勝率の可視化を可能にし、研究者、開発者、ポーカー愛好家のAI駆動のゲームプレイ戦略の実験を支援します。

Text-to-Rewardは、テキストベースのタスク記述やフィードバックをRLエージェント用のスカラー報酬値にマッピングするモデルを訓練するパイプラインを提供します。トランスフォーマーベースのアーキテクチャと収集された人間の優先データによる微調整を利用し、自然言語命令を報酬信号として解釈することを自動的に学習します。ユーザーはテキストプロンプトを使って任意のタスクを定義し、モデルを訓練し、学習した報酬関数を任意のRLアルゴリズムに取り入れることが可能です。このアプローチは手動の報酬調整をなくし、サンプル効率を向上させ、エージェントが複雑なマルチステップ指示を模擬または実環境で実行できるようにします。

uAgentsは、開発者が自律的で分散型のAIエージェントを構築するためのモジュール式のJavaScriptフレームワークです。これらのエージェントは、ピアを発見し、メッセージを交換し、タスク上で協力し、学習を通じて適応します。エージェントはlibp2pベースのゴシッププロトコルを用いて通信し、オンチェーンのレジストリを通じて能力を登録し、スマートコントラクトを用いてサービスレベル合意を交渉します。コアライブラリは、エージェントのライフサイクルイベント、メッセージルーティング、強化学習や市場駆動のタスク割り当てなどの拡張可能な動作を処理します。カスタマイズ可能なプラグインにより、uAgentsはFetch.aiの台帳、外部API、オラクルネットワークと連携し、リアルワールドのアクション、データ取得、分散環境での意思決定を可能にします。

Vanilla Agentsは、モジュール化され拡張可能なコア強化学習エージェントの実装を提供する軽量なPyTorchベースのフレームワークです。DQN、ダブルDQN、PPO、A2Cなどのアルゴリズムをサポートし、OpenAI Gymと互換性のあるプラグイン可能な環境ラッパーを備えています。ユーザーはハイパーパラメータの設定、トレーニングメトリクスのログ記録、チェックポイントの保存、学習曲線の可視化を行えます。コードベースは明確に構成されており、研究のプロトタイピング、教育用途、新しいアイデアのベンチマークに最適です。

VMASは、深層強化学習を用いたマルチエージェントシステムの構築と訓練のための総合ツールキットです。GPUを用いた複数の環境インスタンスの並列シミュレーションをサポートし、高スループットのデータ収集とスケーラブルな訓練を可能にします。PPO、MADDPG、QMIX、COMAなどの人気MARLアルゴリズムの実装と、迅速なプロトタイピングのためのモジュール式のポリシーと環境インターフェースを含みます。フレームワークは、分散実行を伴う集中訓練（CTDE）を促進し、カスタマイズ可能な報酬調整、観測空間、ログ記録やビジュアライゼーションのためのコールバックフックを提供します。そのモジュール設計により、PyTorchモデルや外部環境とのシームレスな統合を実現し、ロボット工学、交通制御、資源配分、ゲームAIシナリオなどにおける協力、競争、混合動機のタスクの研究に最適です。

YGO-Agentフレームワークは、研究者や愛好家が強化学習を用いてYu-Gi-OhカードゲームをプレイするAIボットを開発できるようにします。これにより、YGOPROゲームシミュレータをOpenAI Gym互換の環境にラップし、手札、場、ライフポイントなどの状態表現、および召喚、魔法/罠の発動、攻撃などのアクション表現を定義します。報酬は勝敗結果、与えたダメージ、ゲームの進行に基づきます。エージェントのアーキテクチャはPyTorchを使用してDQNを実装し、カスタムネットワーク構造、経験リプレイ、イプシロン・グリーディ探索も選択可能です。ログ記録モジュールはトレーニング曲線、勝率、詳細な手のログを記録し、分析に役立てます。フレームワークはモジュール式で、報酬関数やアクション空間などのコンポーネントを置き換え・拡張できるようになっています。

GYM_XPLANE_MLは、X-PlaneフライトシミュレーターをOpenAI Gym環境としてラップし、スロットル、エレベーター、エルロン、ラダー操作を行動空間として公開し、高度、速度、姿勢などのフライトパラメータを観察として提供します。ユーザーはPythonでトレーニングワークフローを書き、事前定義されたシナリオを選択またはカスタマイズし、ウェイポイントや天候、航空機モデルを調整できます。低遅延通信、同期モードでのエピソード実行、パフォーマンスのログ記録、リアルタイムレンダリングをサポートし、高忠実度の飛行環境でのML駆動の自動操縦やRLアルゴリズムの繰り返し開発を可能にします。

AIエージェント型翻訳は、機械翻訳の研究と開発向けのオープンソースフレームワークです。生成、評価、改良の3つの主要エージェントを調整し、共同で翻訳の作成、評価、改善を行います。PyTorchとトランスフォーマーモデルに基づき、教師あり事前学習、強化学習による最適化、および設定可能なエージェントポリシーをサポートします。標準データセットでベンチマークを行い、BLEUスコアを追跡し、カスタムエージェントや報酬関数を追加してエージェント間協力を研究できます。

AI Hedge Fund 5zuは、複数の資産クラスのシミュレーションに対応したカスタマイズ可能な環境、強化学習ベースのエージェントモジュール、バックテストツール、リアルタイムの市場データ統合、リスク管理ツールを提供します。ユーザーはデータソースを設定し、報酬関数を定義し、履歴データでエージェントを訓練し、主要な金融指標に基づいてパフォーマンスを評価できます。モジュラー戦略開発をサポートし、本番環境にデプロイ可能なライブブローカーAPIへ拡張可能です。

AIエージェント for じゃんけんは、ランダムプレイ、ルールベースのパターン認識、強化学習（Q学習）を用いて、伝統的なじゃんけんゲームでAI戦略を構築、訓練、評価する方法を示すオープンソースのPythonプロジェクトです。モジュール式のエージェントクラス、設定可能なゲーム実行環境、パフォーマンスのログ記録と視覚化ツールを提供します。ユーザーはエージェントを簡単に差し替え、学習パラメータを調整し、対戦シナリオにおけるAIの挙動を探索できます。

ビアゲーム環境は、4段階（小売業者、卸売業者、ディストリビューター、メーカー）のビールサプライチェーンを離散時間でシミュレートし、OpenAI Gymインターフェースを公開しています。エージェントは在庫、パイプライン在庫、着荷予定の注文を観測し、その後、注文量を出力します。環境は、在庫保持とバックオーダーにかかるコストを1ステップごとに計算し、Demand分布やリードタイムのカスタマイズをサポートします。Stable Baselines3などの人気RLライブラリとシームレスに連携し、研究者や教育者がサプライチェーンの最適化タスクでアルゴリズムをベンチマーク・訓練できるようにします。

BotPlayersは、AI駆動のゲームプレイエージェントの開発と展開を合理化する多用途のオープンソースフレームワークです。画面キャプチャ、ウェブAPI、またはカスタムシミュレーションインターフェースをサポートする柔軟な環境抽象化レイヤーを備え、さまざまなゲームと双方向に連携できます。組み込みの強化学習アルゴリズム、遺伝的アルゴリズム、ルールベースのヒューリスティックを含み、データ記録、モデルチェックポイント、パフォーマンス可視化のツールも提供します。モジュラーなプラグインシステムにより、センサー、アクション、AIポリシーをPythonまたはJavaでカスタマイズ可能です。YAMLベースの設定を利用した迅速なプロトタイピングや自動化されたトレーニング・評価パイプラインもあります。Windows、Linux、macOSでクロスプラットフォームに対応し、実験と知的ゲームエージェントの制作を促進します。

CityLearnは、強化学習を用いたエネルギー管理研究のためのモジュール式シミュレーションプラットフォームです。ユーザーは、多ゾーン建物クラスター、HVACシステム、貯蔵ユニット、再生可能エネルギー源を定義し、需要応答イベントに対してRLエージェントを訓練できます。環境は温度、負荷プロファイル、エネルギー価格などの状態観測を提供し、アクションは設定点や貯蔵運用を制御します。柔軟な報酬APIは、コスト削減や排出削減などのカスタムメトリクスを可能にし、ロギングユーティリティは性能分析をサポートします。CityLearnは、ベンチマーク、カリキュラム学習、新しい制御戦略の開発に理想的な再現性のある研究フレームワークです。

CryptoTrader Agentsは、暗号通貨市場におけるAI駆動の取引戦略を設計、訓練、展開するための総合ツールキットを提供。データ取り込み、特徴エンジニアリング、カスタム報酬関数のためのモジュール式環境を含む。予め設定された強化学習アルゴリズムの利用や、独自モデルの統合も可能。過去の価格データに基づくシミュレーテッドバックテスト、リスク管理制御、詳細メトリック追跡も行える。準備が整えば、エージェントをライブ取引APIに接続し、自動執行を行える。Pythonで構築されており、拡張性も高く、新たな戦術のプロトタイプ作成、パラメータのスイープ、パフォーマンスのリアルタイム監視が可能。

Fast Reinforcement Learningは、強化学習エージェントの開発と実行を加速するために設計された専門的なPythonフレームワークです。PPO、A2C、DDPG、SACなどの人気アルゴリズムを標準装備し、高スループットのベクトル化された環境管理を組み合わせています。ユーザーはポリシーネットワークの設定、トレーニングループのカスタマイズ、大規模実験のためのGPUアクセラレーションを容易に行えます。このライブラリのモジュール設計は、OpenAI Gym環境とのシームレスな統合を保証し、研究者や実務者がさまざまな制御、ゲーム、シミュレーションタスクでエージェントのプロトタイピング、ベンチマーク、展開を行うことを可能にします。

DeepSeek R1は人工知能の重要なブレークスルーを表しており、推論、数学、コーディングタスクでトップクラスのパフォーマンスを提供します。37Bのアクティブパラメータと671Bの総パラメータを持つ洗練されたMoE（Mixture of Experts）アーキテクチャを利用し、最先端の強化学習技術を実装して、業界最高の基準を達成しています。このモデルは、MATH-500で97.3%の精度、およびCodeforcesで96.3パーセンタイルのランキングを含む、堅牢なパフォーマンスを提供します。そのオープンソースの特性とコスト効果の高い展開オプションにより、幅広いアプリケーションにアクセス可能です。

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。

DQN-Deep-Q-Network-Atari-Breakout-TensorFlow は、Atari Breakout 環境に特化した DQN アルゴリズムの完全な実装です。畳み込みニューラルネットワークを用いてQ値を近似し、連続した観測間の相関を破るために経験リプレイを使用し、訓練安定化のために定期的に更新されるターゲットネットワークを採用しています。エージェントはε-greedyポリシーに従って探索し、生のピクセル入力からスクラッチで訓練可能です。リポジトリには設定ファイル、報酬の増加を監視する訓練スクリプト、訓練済みモデルのテストのための評価スクリプト、宛にTensorBoardによる訓練メトリクスの可視化ツールが含まれています。ユーザーは学習率、リプレイバッファサイズ、バッチサイズなどのハイパーパラメータを調整して異なる設定を試すことができます。