O GAMA Genstar Plugin adiciona capacidades de IA generativa à plataforma GAMA fornecendo conectores para OpenAI, LLMs locais e endpoints de modelos personalizados. Os usuários definem prompts e pipelines em GAML para gerar decisões de agentes, descrições de ambiente ou parâmetros de cenários instantaneamente. O plugin suporta chamadas API síncronas e assíncronas, cache de respostas e ajuste de parâmetros. Simplifica a integração de modelos de linguagem natural em simulações de grande escala, reduzindo scripts manuais e promovendo comportamentos mais ricos e adaptativos.

Poke-Env foi projetado para simplificar a criação e avaliação de agentes de IA para batalhas no Pokémon Showdown, proporcionando uma interface Python abrangente. Ele gerencia a comunicação com o servidor do Pokémon Showdown, analisa os dados do estado do jogo e gerencia as ações turno a turno através de uma arquitetura baseada em eventos. Os usuários podem estender classes de jogadores base para implementar estratégias personalizadas usando aprendizagem por reforço ou algoritmos heurísticos. A estrutura oferece suporte integrado para simulações de batalha, confrontos paralelizados e registro detalhado de ações, recompensas e resultados para pesquisa reprodutível. Ao abstrair tarefas de rede e parsing de baixo nível, Poke-Env permite que pesquisadores e desenvolvedores de IA foquem no design de algoritmos, ajuste de desempenho e benchmarking comparativo de estratégias de batalha.

MAGAIL implementa uma extensão multi-agente da Aprendizagem por Imitation Adversarial Generativa, permitindo que grupos de agentes aprendam comportamentos coordenados a partir de demonstrações de especialistas. Construída em Python com suporte para PyTorch (ou variantes do TensorFlow), MAGAIL consiste em módulos de política (gerador) e discriminador que são treinados em um ciclo adversarial. Os agentes geram trajetórias em ambientes como OpenAI Multi-Agent Particle Environment ou PettingZoo, que o discriminador avalia quanto à autenticidade em relação aos dados de especialistas. Através de atualizações iterativas, as redes de políticas convergem para estratégias semelhantes às dos especialistas sem funções de recompensa explícitas. O design modular do MAGAIL permite personalizar arquiteturas de rede, ingestão de dados de especialistas, integração com ambientes e hiperparâmetros de treinamento. Além disso, registros integrados e visualização no TensorBoard facilitam o monitoramento e análise do progresso e desempenho do aprendizado multi-agente.