Mava é uma biblioteca de código aberto baseada em JAX para desenvolver, treinar e avaliar sistemas de aprendizado por reforço multi-agente. Oferece implementações pré-construídas de algoritmos cooperativos e competitivos, como MAPPO e MADDPG, juntamente com ciclos de treinamento configuráveis que suportam fluxos de trabalho de nó único e distribuídos. Pesquisadores podem importar ambientes do PettingZoo ou definir ambientes personalizados, usando os componentes modulares do Mava para otimização de políticas, gerenciamento de buffer de replay e registro de métricas. A arquitetura flexível da estrutura permite integração perfeita de novos algoritmos, espaços de observação personalizados e estruturas de recompensa. Aproveitando as capacidades de auto-vectorização e aceleração de hardware do JAX, o Mava garante experimentos eficientes em larga escala e benchmarking reprodutível em diversos cenários multi-agente.

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.

O framework LLM Maze Agent fornece um ambiente baseado em Python para construir agentes inteligentes capazes de navegar por labirintos de grade usando grandes modelos de linguagem. Combinando interfaces modulares de ambiente com modelos de prompting em cadeia de pensamento e planejamento heurístico, o agente consulta iterativamente um LLM para decidir direções de movimento, adaptar-se a obstáculos e atualizar sua representação de estado interno. Suporte pronto para uso com modelos OpenAI e Hugging Face permite integração sem problemas, enquanto a geração configurável de labirintos e a depuração passo a passo facilitam a experimentação com diferentes estratégias. Pesquisadores podem ajustar funções de recompensa, definir espaços de observação personalizados e visualizar rotas do agente para analisar processos de raciocínio. Este design faz do LLM Maze Agent uma ferramenta versátil para avaliar o planejamento com base em LLM, ensinar conceitos de IA e comparar o desempenho de modelos em tarefas de raciocínio espacial.