AI-агент Azul — специализированное решение для соревнований по настольной игре Azul. Реализованный на Python, он моделирует состояние игры, использует поиск Minimax для детерминированного отсечения вариантов и применяет Монте-Карло Tree Search для исследования вероятностных исходов. Агент использует пользовательские эвристики для оценки позиций на доске, отдавая предпочтение линиям размещения тайлов, приносящим наибольшее количество очков. Поддерживает режим одиночных турниров, пакетное моделирование и логирование результатов для анализа эффективности. Пользователи могут настраивать параметры алгоритма, интегрировать его в собственные игровые окружения и визуализировать деревья решений для понимания выбора ходов.

AGM: AI Game Maker - это инновационная платформа, разработанная для начинающих разработчиков игр. Она интегрирует технологии ИИ для оптимизации процесса создания игр, предлагая пользователям инструменты для проектирования персонажей, окружения и игровой логики. Пользователи могут создавать интерактивный игровой опыт с минимальными знаниями программирования, что позволяет быстро прототипировать и итеративно изменять. ИИ помогает генерировать диалоги, художественные работы и даже музыку, повышая общую продуктивность и креативность в разработке игр.

TexasHoldemAgent представляет собой модульную среду, основанную на Python, для обучения, оценки и развертывания AI-игрока в Heads-up limit Texas Hold’em. Она интегрирует собственный симуляционный движок с алгоритмами глубокого усиленного обучения, включая DQN, для итеративного улучшения политики. Основные функции включают кодирование состояния руки, определение пространства действий (чего folded, call, raise), формирование вознаграждения и оценку решений в реальном времени. Пользователи могут настраивать параметры обучения, использовать ускорение на CPU/GPU, отслеживать ход тренировки и загружать или сохранять обученные модели. Фреймворк поддерживает пакетное моделирование для тестирования стратегий, генерации метрик эффективности и визуализации коэффициента побед, что позволяет исследователям, разработчикам и любителям покера экспериментировать с AI-стратегиями игры.

Данный репозиторий предоставляет полноценную рамочную платформу для исследований в области обучения с подкреплением в игре StarCraft II. Основной агент использует Proximal Policy Optimization (PPO) для обучения сетей политики, интерпретирующих данные наблюдений из среды PySC2 и выдающих точные действия в игре. Разработчики могут настраивать слои нейронных сетей, формирование вознаграждений и графики обучения для оптимизации производительности. Система поддерживает многопоточность для эффективного сбора образцов, утилиты логирования для мониторинга кривых обучения и скрипты оценки для тестирования обученных моделей против скриптованных или встроенных ИИ-оппонентов. Код написан на Python и использует TensorFlow для определения и оптимизации моделей. Пользователи могут расширять компоненты, такие как пользовательские функции вознаграждения, предварительная обработка состояния или архитектура сети, для достижения конкретных целей исследования.

MultiAgentPacman предлагает среду для игры на Python, в которой пользователи могут реализовывать, визуализировать и сравнивать нескольких AI-агентов в области Pacman. Поддерживаются алгоритмы поиска противника, такие как minimax, expectimax, alpha-beta-отсечение, а также пользовательные агенты на основе обучения с подкреплением или эвристик. Фреймворк включает простое GUI, командную строку и инструменты для ведения статистики игр и сравнения эффективности агентов в соревновательных или совместных сценариях.

BomberManAI — это агент ИИ, разработанный для автономной игры в классическую игру Bomberman. Написанный на Python, он взаимодействует с игровой средой, чтобы в реальном времени воспринимать состояние карты, доступные ходы и позиции соперников. Основной алгоритм сочетает поиск A*, поиск в ширину для анализа достижимости и эвристическую функцию оценки для определения оптимальных мест для установки бомб и стратегий уклонения. Агент управляет динамическими препятствиями, усилителями и несколькими противниками по различным макетам карт. Его модульная архитектура позволяет разработчикам экспериментировать с пользовательскими эвристиками, модулями обучения с усилением или альтернативными стратегиями принятия решений. Идеально подходит для исследователей игровой ИИ, студентов и разработчиков соревновательных ботов, BomberManAI предоставляет гибкую основу для тестирования и улучшения автономных игровых агентов.

SoccerAgent — это специализированная система ИИ, разработанная для создания и обучения автономных футбольных агентов с использованием современных методов многопроцессного обучения с подкреплением (MARL). Она моделирует реалистичные футбольные матчи в 2D или 3D, предлагая инструменты для определения функций вознаграждения, настройки характеристик игроков и реализации стратегических тактик. Пользователи могут интегрировать популярные алгоритмы RL (такие как PPO, DDPG и MADDPG) через встроенные модули, отслеживать прогресс обучения через панели управления и визуализировать поведение агентов в реальном времени. Эта система поддерживает обучение сценариев для атаки, защиты и протоколов координации. Благодаря расширяемому коду и детальной документации SoccerAgent позволяет исследователям и разработчикам анализировать динамику команд и совершенствовать стратегии игры на базе ИИ для учебных и коммерческих проектов.

GiftSong — это инновационная платформа, которая преобразует ваши воспоминания в персонализированные музыкальные подарки. Независимо от того, хотите ли вы отметить день рождения, свадьбу или важное событие, вы можете настроить свою песню, выбрав случай, музыкальный стиль и добавив личные детали. Используя современные технологии ИИ, GiftSong создает уникальную песню, созданную специально для вас, что делает каждый подарок незабываемым. Идеально подходит как для интимных моментов, так и для больших праздников — позвольте GiftSong помочь вам создать идеальную мелодию, которая отзывается эмоциями и ценными воспоминаниями.

MetaHuman Creator предлагает интуитивно понятный интерфейс для проектирования фотореалистичных цифровых людей с беспрецедентной детализацией. Пользователи могут настраивать черты лица, текстуры кожи и прически, используя богатую библиотеку активов. Инструмент упрощает процесс риггинга и анимации для разработки персонажей, без шва интегрируется с Unreal Engine, чтобы предоставить готовых к анимации и игровому процессу высококачественных персонажей.

DND LLM Game использует крупные языковые модели для службы в качестве ИИ-Мастера подземелий, который динамически формирует описание сюжетов, квестов и столкновений по запросам игроков. Он интегрирован с API GPT OpenAI и поддерживает настройку параметров приключений, уровней сложности и личностей NPC. При описании действий или задании вопросов в интерфейсе чата ИИ генерирует яркие сценические детали, диалоги и разветвленные сценарии на лету. Разработчики и ведущие могут настраивать движок через скрипты на Python, регулировать параметры моделей и расширять систему за счет собственных модулей, что делает его универсальным инструментом для одиночных сессий RPG или кампаний с помощью ИИ.

MultiAgent-Systems-StarCraft2-PySC2-Raw предоставляет полный инструментарий для разработки, обучения и оценки нескольких AI-агентов в StarCraft II. Он обеспечивает низкоуровневое управление движением юнитов, целью и способностями, а также гибкую настройку наград и сценариев. Пользователи могут легко интегрировать собственные архитектуры нейронных сетей, определять стратегии командного взаимодействия и записывать метрики. Основанный на PySC2, он поддерживает параллельное обучение, создание снимков и визуализацию, что делает его идеальным для исследований в области обучения с подкреплением с несколькими агентами.

Фреймворк YGO-Agent позволяет исследователям и энтузиастам создавать ИИ-ботов, которые играют в Yu-Gi-Oh, используя обучение с подкреплением. Он оборачивает симулятор YGOPRO в совместимую с OpenAI Gym среду, определяя состояния, такие как рука, поле и показатели жизни, а также действия, включая призыв, активацию заклинаний/ловушек и атаки. Вознаграждения основаны на исходе победы/проигрыша, нанесённом уроне и ходе игры. Архитектура агента реализована на PyTorch с использованием DQN, с возможностью настройки кастомных сетевых архитектур, повторной обучения опыта и ε-жадной стратегии исследования. Модули логирования регистрируют кривые обучения, коэффициенты выигрыша и подробные логовые записи ходов для анализа. Рамочное решение модульное, что позволяет пользователям заменять или расширять компоненты, такие как функции награды или пространство действий.

PyGame Learning Environment (PLE) — это открытый фреймворк на Python, разработанный для упрощения разработки, тестирования и бенчмаркинга агентов обучения с подкреплением в пользовательских игровых сценариях. Он предоставляет коллекцию легких игр на базе Pygame с встроенной поддержкой наблюдений агентом, дискретных и непрерывных пространств действий, формирования наград и визуализации окружения. PLE обладает удобным API, совместимым с обертками OpenAI Gym, что обеспечивает бесшовную интеграцию с популярными RL-библиотеками, такими как Stable Baselines и TensorForce. Исследователи и разработчики могут настраивать параметры игр, реализовывать новые игры и использовать векторизированные окружения для ускоренного обучения. Благодаря активному сообществу и обширной документации, PLE служит универсальной платформой для академических исследований, образования и прототипирования реальных RL-приложений.

BotPlayers — это универсальный открытый фреймворк, разработанный для упрощения разработки и развертывания агентов для игр на базе искусственного интеллекта. Он включает гибкий слой абстракции среды, поддерживающий скриншоты, веб-API или настраиваемые интерфейсы моделирования, позволяя ботам взаимодействовать с разными играми. Встроенные алгоритмы обучения с подкреплением, генетические алгоритмы и эвристические правила, а также инструменты для логирования данных, создания контрольных точек моделей и визуализации производительности. Модульная система плагинов позволяет разработчикам настраивать датчики, действия и политики ИИ на Python или Java. Также доступны конфигурации на YAML для быстрой разработки прототипов и автоматизированных пайплайнов для обучения и оценки. Поддержка кроссплатформенности на Windows, Linux и macOS ускоряет эксперименты и производство интеллектуальных игровых агентов.

В своей основе Gomoku Battle предоставляет надежную симуляционную среду, где ИИ-агенты следуют протоколу на основе JSON для получения обновлений состояния доски и отправки решений по ходу игры. Разработчики могут интегрировать собственные стратегии, реализуя простые интерфейсы на Python, используя предоставленных образцов ботов для ориентира. Встроенный менеджер турниров автоматизирует расписание матчей по системе круговой или выбывшей лиги, а подробные логи фиксируют показатели, такие как процент побед, время ходов и истории игр. Выходные данные можно экспортировать в CSV или JSON для дальнейшего статистического анализа. Фреймворк поддерживает параллельное выполнение для ускорения масштабных экспериментов и может быть расширен для включения пользовательских правил или обучающих процессов, делая его идеальным для исследований, обучения и развития конкурентного ИИ.

AI футбольный Кубок в среде Java JADE — это открытая демонстрация, использующая Java Agent DEvelopment Framework (JADE) для моделирования полного футбольного турнира. Каждый игрок моделируется как автономный агент с поведениями для движения, контроля мяча, передачи и удара, координируя стратегии через обмен сообщениями. Симулятор включает судей и тренеров, обеспечивает соблюдение правил и управляет сетками турнира. Разработчики могут расширить принятие решений с помощью пользовательских правил или интеграции модулей машинного обучения. Эта среда демонстрирует взаимодействие многопользовательских агентов, командную работу и динамическое планирование стратегий в реальном спортивном сценарии.

FemaleSwitch — это революционный агент ИИ в игровой индустрии, который сосредоточен на создании динамичных и увлекательных женских персонажей. Этот агент ИИ помогает пользователям разрабатывать персонализированные рассказы и уникальные арки персонажей, значительно повышая взаимодействие и удовлетворение игрока. Используя передовые алгоритмы, FemaleSwitch генерирует погружающие диалоги и сценарии, разработанные специально для женских персонажей, делая игровой опыт более богатым и разнообразным.

AI-агент Pentago Swap реализует интеллектуального противника для игры Pentago Swap, применяя алгоритм Monte Carlo Tree Search (MCTS) для исследования и оценки потенциальных игровых состояний. На каждом ходе агент моделирует множество вариантов, оценивает полученные позиции и выбирает ходы, максимизирующие вероятность победы. Поддерживаются настройка параметров поиска, таких как число симуляций, коэффициент исследования и политика моделирования, что позволяет пользователю оптимизировать производительность. Агент включает интерфейс командной строки для матчей один на один, обучение с использованием самоигр для генерации учебных данных, а также API на Python для интеграции в более крупные игровые среды или турниры. Благодаря модульной архитектуре облегчает расширение с использованием альтернативных эвристик или нейросетевых оценщиков для продвинутых исследований и разработки.

Samsung Ballie - это инновационный ИИ агент, который безшовно интегрируется в вашу домашнюю среду, предлагая ряд функций, включая мониторинг безопасности, управление умными устройствами и персонализированное общение. Оснащенный передовыми датчиками и возможностями машинного обучения, Ballie может перемещаться по вашему дому, отслеживать действия и даже взаимодействовать с членами семьи через голосовые команды. Он со временем изучает предпочтения пользователей, предоставляя индивидуальный опыт, который улучшает жизнь в доме.

AIpacman — это open-source проект на Python, моделирующий среду игры Pac-Man для экспериментов с ИИ. Пользователи могут выбрать встроенных агентов или реализовать собственных с помощью алгоритмов поиска (DFS, BFS, A*, UCS), adversarial методов (Minimax с обрезкой Alpha-Beta и Expectimax) или техник обучения с подкреплением (Q-Learning). Фреймворк обеспечивает конфигурируемые лабиринты, логирование производительности, визуализацию решений агентов и CLI для запуска матчей и сравнения результатов. Он предназначен для образовательных целей, исследований и личных проектов в области ИИ и разработки игр.