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.

multiagent_envs는 멀티에이전트 강화학습 연구 및 개발을 위해 맞춤형 모듈형 파이썬 기반 환경 세트를 제공하며, 협력 네비게이션, 포식자-피해자, 사회적 딜레마, 경쟁 무대 등의 시나리오를 포함합니다. 각 환경은 에이전트 수, 관찰 특징, 보상 함수, 충돌 역학을 정의할 수 있습니다. 이 프레임워크는 Stable Baselines, RLlib과 같은 인기 RL 라이브러리와 원활하게 통합되어 벡터화 학습 루프, 병렬 실행, 간편한 로깅을 지원합니다. 사용자들은 간단한 API를 따라 기존 시나리오를 확장하거나 새로 만들어 MADDPG, QMIX, PPO와 같은 알고리즘을 일관되고 재현 가능한 환경에서 실험할 수 있습니다.

LLM Maze Agent 프레임워크는 대형 언어 모델을 사용하여 격자 미로를 탐색할 수 있는 지능형 에이전트 구축을 위한 파이썬 기반 환경을 제공합니다. 모듈식 환경 인터페이스와 체인 오브-사고 프롬프트 템플릿, 휴리스틱 플래닝을 결합하여 에이전트는 반복적으로 LLM에 쿼리하여 이동 방향을 결정하고, 장애물에 적응하며, 내부 상태 표현을 업데이트합니다. OpenAI와 Hugging Face 모델을 기본적으로 지원하여 원활한 통합이 가능하며, 미로 생성은 사용자 정의 가능하고 단계별 디버깅을 통해 다양한 전략을 실험할 수 있습니다. 연구자들은 보상 함수 조정, 관찰 공간 커스터마이징, 에이전트 경로 시각화 등을 통해 추론 과정을 분석할 수 있습니다. 이 설계는 LLM 기반 계획 평가, AI 개념 지도, 공간 추론 모델 성능 벤치마크에 이상적입니다.