FreeThinker обеспечивает модульную архитектуру для определения агентов ИИ, которые могут автономно выполнять задачи, используя большие языковые модели, модули памяти и внешние инструменты. Разработчики могут конфигурировать агентов с помощью Python или YAML, подключать кастомные инструменты для поиска в Интернете, обработки данных или вызовов API, а также использовать встроенные стратегии планирования. Фреймворк управляет последовательным выполнением, сохранением контекста и агрегацией результатов, позволяя агентам работать автономно в исследовательских, автоматизационных или системах поддержки принятия решений.

MARL-DPP — это открытый исходный код, позволяющий организовать многоагентное обучение с подкреплением (MARL) с принудительным разнообразием через детерминантные точечные процессы (DPP). Традиционные подходы MARL часто сталкиваются с сходимостью политик к похожему поведению; MARL-DPP решает эту проблему, внедряя меры на базе DPP, чтобы поощрять агентов сохранять разнообразное распределение действий. Набор инструментов предоставляет модульный код для включения DPP в цели обучения, выбор политик и управление исследованием. В комплект входит готовое интегрирование с стандартными средами OpenAI Gym и Multi-Agent Particle Environment (MPE), а также утилиты для управления гиперпараметрами, журналирования и визуализации метрик разнообразия. Исследователи могут оценить влияние ограничений на разнообразие на кооперативные задачи, ресурсо-распределение и соревновательные игры. Расширяемый дизайн поддерживает пользовательские среды и продвинутые алгоритмы, способствуя исследованию новых вариантов MARL-DPP.