O projeto mario-ai oferece um pipeline abrangente para desenvolver agentes de IA que dominam o Super Mario Bros. usando neuroevolução. Ao integrar uma implementação de NEAT baseada em Python com o ambiente SuperMario do OpenAI Gym, permite que os usuários definam critérios de fitness personalizados, taxas de mutação e topologias de rede. Durante o treinamento, a estrutura avalia gerações de redes neurais, seleciona genomas de alto desempenho e fornece visualizações em tempo real do jogo e da evolução da rede. Além disso, suporta salvar e carregar modelos treinados, exportar os melhores genomas e gerar logs detalhados de desempenho. Pesquisadores, educadores e entusiastas podem estender o código para outros ambientes de jogo, experimentar estratégias evolutivas e criar benchmarks do progresso de aprendizagem de IA em diferentes níveis.

multiagent_envs oferece um conjunto modular de ambientes baseados em Python, sob medida para pesquisa e desenvolvimento em aprendizado por reforço multiagente. Inclui cenários como navegação cooperativa, predador-vítima, dilemas sociais e arenas competitivas. Cada ambiente permite definir o número de agentes, características de observação, funções de recompensa e dinâmica de colisões. O framework integra-se perfeitamente com bibliotecas populares de RL, como Stable Baselines e RLlib, permitindo loops de treinamento vetorizados, execução paralela e fácil registro. Os usuários podem estender cenários existentes ou criar novos seguindo uma API simples, acelerando a experimentação com algoritmos como MADDPG, QMIX e PPO em uma configuração consistente e reprodutível.

MultiAgentModel fornece uma API unificada para definir ambientes personalizados e classes de agentes para cenários multiagentes. Os desenvolvedores podem especificar espaços de observação e ação, estruturas de recompensa e canais de comunicação. O suporte embutido para algoritmos populares de RL como PPO, DQN e A2C permite o treino com configurações mínimas. Ferramentas de visualização em tempo real ajudam a monitorar interações de agentes e métricas de desempenho. A arquitetura modular garante fácil integração de novos algoritmos e módulos personalizados. Inclui também um sistema de configuração flexível para ajuste de hiperparâmetros, utilitários de registro para rastreamento de experimentos e compatibilidade com ambientes OpenAI Gym para portabilidade sem esforço. Os usuários podem colaborar em ambientes compartilhados e reproduzir sessões gravadas para análise.

Vanilla Agents é uma estrutura leve baseada em PyTorch que fornece implementações modulares e extensíveis de agentes de reforço fundamentais. Suporta algoritmos como DQN, Double DQN, PPO e A2C, com wrappers de ambiente plugáveis compatíveis com OpenAI Gym. Os usuários podem configurar hiperparâmetros, registrar métricas de treinamento, salvar pontos de verificação e visualizar curvas de aprendizagem. A base de código é organizada para clareza, tornando-a ideal para prototipagem de pesquisa, uso educacional e benchmarking de novas ideias em RL.

A estrutura YGO-Agent permite que pesquisadores e entusiastas desenvolvam bots de IA que jogam o jogo de cartas Yu-Gi-Oh usando reforço de aprendizado. Ela encapsula o simulador de jogo YGOPRO em um ambiente compatível com OpenAI Gym, definindo representações de estado como mão, campo e pontos de vida, e representações de ação incluindo convocação, ativação de feitiço/armadilha e ataque. As recompensas são baseadas em resultados de vitória/derrota, dano causado e progresso no jogo. A arquitetura do agente usa PyTorch para implementar DQN, com opções para arquiteturas de rede personalizadas, replay de experiência e exploração epsilon-greedy. Módulos de registro gravam curvas de treinamento, taxas de vitória e logs detalhados de movimentos para análise. A estrutura é modular, permitindo que usuários substituam ou estendam componentes como a função de recompensa ou espaço de ação.