Mean-Field MARL은 평균장 다중 에이전트 강화 학습 알고리즘의 구현과 평가를 위한 강력한 Python 프레임워크를 제공합니다. 주변 에이전트의 평균 효과를 모델링하여 대규모 에이전트 상호 작용을 근사하며, 이를 위해 평균장 Q-러닝을 활용합니다. 환경 래퍼, 에이전트 정책 모듈, 훈련 루프, 평가 지표를 포함하여 수백 에이전트에 대한 확장 훈련이 가능합니다. GPU 가속을 위해 PyTorch 기반이며, Particle World와 Gridworld와 같은 맞춤형 환경을 지원합니다. 모듈식 설계로 새 알고리즘의 확장이 쉽고, 내장된 로깅과 Matplotlib 기반의 시각화 도구는 보상, 손실 곡선, 평균장 분포를 추적합니다. 예제 스크립트와 문서가 사용자들이 설정, 실험 구성, 결과 분석에 도움을 주며, 대규모 다중 에이전트 시스템 연구와 프로토타이핑에 이상적입니다.

Team Coordination은 복잡한 작업에 함께 참여하는 다중 AI 에이전트의 오케스트레이션을 간단하게 만드는 경량 Python 라이브러리입니다. 계획자, 실행자, 평가자 또는 통신자와 같은 전문 지정 역할을 정의함으로써 사용자는 높은 수준의 목표를 관리 가능한 하위 작업으로 분해하고, 이를 개별 에이전트에 할당하며, 구조화된 통신을 촉진할 수 있습니다. 이 프레임워크는 비동기 실행, 프로토콜 라우팅, 결과 집계를 담당하여 AI 에이전트 팀이 효율적으로 협력할 수 있게 합니다. 플러그인 시스템은 인기 있는 LLM, API 및 맞춤 논리와의 통합을 지원하여 자동 고객 서비스, 연구, 게임 AI, 데이터 처리 파이프라인 등에 이상적입니다. 명확한 추상화와 확장 가능한 구성요소로, Team Coordination은 확장 가능한 다중 에이전트 워크플로우 개발을 가속화합니다.

Trinity-RFT(검색 파인튜닝)는 검색과 파인튜닝 워크플로우를 결합하여 모델의 정확도와 효율성을 향상시키는 통합 오픈 소스 프레임워크입니다. 사용자는 코퍼스를 준비하고, 검색 인덱스를 구축하며, 검색된 컨텍스트를 바로 훈련 루프에 삽입할 수 있습니다. 텍스트, 이미지, 비디오의 다중 모달 검색을 지원하며, 인기 있는 벡터 저장소와 통합되고 평가 지표 및 배포 스크립트를 제공하여 빠른 프로토타입 제작과 운영 배포를 가능하게 합니다.

MARFT는 재현 가능한 실험과 협력 AI 시스템의 빠른 프로토타이핑을 가능하게 하는 Python 기반의 LLM입니다.