SeeAct는 관찰된 장면에 기반하여 하위 목표를 생성하는 대형 언어 모델 기반 계획 모듈과, 하위 목표를 환경별 행동으로 번역하는 실행 모듈의 이단계 파이프라인으로 비전-언어 에이전트를 강화하도록 설계되었습니다. 인지 백본은 이미지 또는 시뮬레이션에서 객체 및 장면 특징을 추출합니다. 모듈식 아키텍처는 계획자 또는 인지 네트워크의 교체를 쉽게 하며, AI2-THOR, Habitat 및 커스텀 환경에서 평가를 지원합니다. SeeAct는 엔드 투 엔드 작업 분해, 그라운딩, 실행을 제공하여 상호작용하는 내장형 AI 연구를 가속화합니다.

RoboCup Rescue Agent Simulation은 IA 기반 다중 에이전트들이 협력하여 피해자를 찾고 구조하는 도시 재해 환경을 모델링한 오픈소스 프레임워크입니다. 내비게이션, 맵핑, 통신, 센서 통합 인터페이스를 제공하며, 사용자는 맞춤형 에이전트 전략을 스크립트화하고 배치 실험을 수행하며 에이전트 성능 지표를 시각화할 수 있습니다. 시나리오 구성, 로그 기록, 결과 분석을 지원하여 다중 에이전트 시스템과 재해 대응 알고리즘 연구를 가속화합니다.

BabyAGI UI는 오픈 소스 BabyAGI 자율 에이전트를 위한 간소화된 브라우저 기반 프론트엔드를 제공합니다. 사용자는 전체 목표와 초기 작업을 입력하며, 시스템은 대형 언어 모델을 활용하여 후속 작업을 생성하고, 관련성에 따라 우선순위를 지정하며, 각 단계를 실행합니다. 전체 과정에서 BabyAGI UI는 완료된 작업의 히스토리를 유지하고, 각 실행의 결과를 표시하며, 작업 대기열을 동적으로 업데이트합니다. 사용자는 모델 유형, 기억 유지 기간, 실행 제한과 같은 파라미터를 조정할 수 있어 자동화와 제어의 균형을 제공합니다.

Patrolling-Zoo는 Python에서 다중 에이전트 순찰 작업을 생성하고 실험할 수 있는 유연한 프레임워크를 제공합니다. 이 라이브러리에는 감시, 모니터링, 커버리지 시나리오를 시뮬레이션하는 다양한 격자 기반 및 그래프 기반 환경이 포함되어 있습니다. 사용자는 에이전트 수, 맵 크기, 토폴로지, 보상 함수, 관측 공간을 구성할 수 있습니다. PettingZoo 및 Gym API와의 호환성 덕분에 인기 있는 강화 학습 알고리즘과 원활하게 통합됩니다. 이 환경은 일관된 설정에서 MARL 기법의 벤치마크 및 비교를 용이하게 합니다. 표준 시나리오와 새로운 시나리오를 맞춤화하는 도구를 제공하여 Patrolling-Zoo는 자율 로보틱스, 보안 감시, 수색 및 구조 작업, 대규모 영역 커버리지 연구를 가속화합니다.

AgentInteraction은 대규모 언어 모델을 사용한 다중 에이전트 상호작용을 시뮬레이션, 조율, 평가하기 위해 설계된 개발자 중심 Python 프레임워크입니다. 사용자 정의 에이전트 역할을 정의하고, 중앙 관리자를 통해 대화 흐름을 제어하며, 일관된 API를 통해 어떤 LLM 공급자와도 통합할 수 있습니다. 메시지 라우팅, 컨텍스트 관리, 성능 분석 같은 기능으로 AgentInteraction은 협력 또는 경쟁 에이전트 아키텍처 실험을 간소화하며, 복잡한 대화 시나리오의 프로토타이핑과 성공률 측정을 용이하게 만듭니다.

구글의 AI 공동 과학자는 고급 기계 학습 알고리즘을 결합하여 기존 데이터를 기반으로 가설을 생성하고 실험 설계를 제안하며 결과를 분석하여 연구자들을 돕습니다. 이 AI 시스템은 방대한 데이터 세트를 신속하게 처리할 수 있으며, 생물학, 화학 및 재료 과학과 같은 분야에서 중요한 과학적 돌파구로 이어질 수 있는 통찰력을 제공합니다. 보조자로서 연구자들이 매일 반복적인 데이터 처리보다는 비판적 사고와 혁신적인 실험에 집중할 수 있도록 도와줍니다.

Mava는 다중 에이전트 강화 학습 시스템 개발, 훈련, 평가를 위한 JAX 기반 오픈소스 라이브러리입니다. MAPPO와 MADDPG 같은 협력 및 경쟁 알고리즘의 사전 구현과 단일 노드 및 분산 워크플로우를 지원하는 구성 가능한 훈련 루프를 제공합니다. 연구자는 PettingZoo에서 환경을 가져오거나 커스텀 환경을 정의할 수 있으며, 정책 최적화, 재생 버퍼 관리, 메트릭 로깅을 위한 Mava의 모듈형 구성요소를 사용할 수 있습니다. 프레임워크의 유연한 구조는 새로운 알고리즘, 사용자 정의 관측 공간, 보상 구조의 원활한 통합을 가능하게 합니다. JAX의 자동 벡터화 및 하드웨어 가속 기능을 활용하여 Mava는 효율적인 대규모 실험과 다양한 다중 에이전트 시나리오에서의 재현 가능한 벤치마킹을 보장합니다.

MGym은 Python에서 다중 에이전트 강화 학습(MARL) 환경을 구축하고 관리하기 위한 전문 프레임워크입니다. 여러 에이전트가 포함된 복잡한 시나리오를 정의할 수 있으며, 각각 커스터마이즈 가능한 관측·행동 공간, 보상 함수, 상호작용 규칙을 가집니다. MGym은 동기 및 비동기 실행 모드를 지원하며, 병행과 회전 기반 에이전트 시뮬레이션을 제공합니다. Gym과 유사한 API로 설계되어 Stable Baselines, RLlib, PyTorch와 원활히 통합됩니다. 환경 벤치마킹, 결과 시각화, 성능 분석을 위한 유틸리티 모듈도 포함되어 있어 MARL 알고리즘의 체계적 평가가 가능합니다. 모듈식 구조로 협력적, 경쟁적 또는 혼합형 에이전트 태스크를 빠르게 프로토타이핑할 수 있어 연구자와 개발자가 MARL 실험과 연구를 가속화할 수 있습니다.