Colosseum Agent Battles предоставляет модульный Python SDK для организации конкурсов AI-агентов в настраиваемых аренах. Пользователи могут определять окружения с конкретным рельефом, ресурсами и правилами, а также реализовывать стратегии агентов через стандартизированный интерфейс. Фреймворк управляет расписанием боёв, логикой судьи и в реальном времени регистрирует действия и результаты агентов. В комплект входят инструменты для проведения турниров, отслеживания статистики побед и поражений, а также визуализации эффективности агентов с помощью графиков. Разработчики могут интегрировать популярные ML-библиотеки для обучения агентов, экспортировать данные боёв для анализа и расширять модули судьи для реализации своих правил. В итоге, он упрощает проведение бенчмарков стратегий ИИ в состязаниях один-на-один. Также поддерживается логирование в форматах JSON и CSV для анализа данных.

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.

AI-агенты для Камень-Ножницы-Бумага — это проект с открытым исходным кодом на Python, показывающий, как строить, обучать и оценивать различные стратегии AI — случайную игру, распознавание правил и обучение с подкреплением (Q-learning) — в классической игре. Он включает модульные классы агентов, настраиваемый механизм игры, логирование эффективности и утилиты визуализации. Пользователи легко могут менять агентов, регулировать параметры обучения и исследовать поведение ИИ в соревновательных сценариях.