Mava — это библиотека с открытым исходным кодом, основанная на JAX, для разработки, обучения и оценки систем обучения с подкреплением с несколькими агентами. Предлагает готовые реализации кооперативных и соревновательных алгоритмов, таких как MAPPO и MADDPG, а также настраиваемые циклы обучения, поддерживающие однопроходные и распределенные рабочие процессы. Исследователи могут импортировать окружения из PettingZoo или определять собственные окружения и использовать модульные компоненты Mava для оптимизации политики, управления буферами повторного воспроизведения и логирования метрик. Гибкая архитектура платформы позволяет легко интегрировать новые алгоритмы, собственные пространства наблюдений и структуры вознаграждений. Используя возможности автолевализации и аппаратного ускорения JAX, Mava обеспечивает эффективные крупномасштабные эксперименты и воспроизводимое сравнение в различных сценариях многопользовательской работы.

multiagent_envs — это модульный набор сред на Python, предназначенных для исследований и разработки в области обучения с подкреплением с несколькими агентами. Включает сценарии, такие как кооперативная навигация, хищник-жертва, социальные дилеммы и соревновательные арены. Каждая среда позволяет задавать число агентов, характеристики наблюдений, функции вознаграждения и динамику столкновений. Фреймворк легко интегрируется с популярными RL-библиотеками как Stable Baselines и RLlib, поддерживая векторизированное обучение, параллельное выполнение и легкое логирование. Пользователи могут расширять существующие сценарии или создавать новые с помощью простой API, ускоряя экспериментирование с алгоритмами MADDPG, QMIX, PPO в воспроизводимых условиях.

Фреймворк LLM Maze Agent предоставляет среду на Python для создания умных агентов, умеющих ориентироваться в сеточных лабиринтах с помощью больших языковых моделей. Совмещая модульные интерфейсы окружения с шаблонами подсказок цепочки расуждений и эвристическим планированием, агент по этапам запрашивает данные у LLM для определения направления движения, адаптации к препятствиям и обновления внутреннего состояния. Поддержка моделей OpenAI и Hugging Face с «из коробки» обеспечивает беспрепятственную интеграцию, а конфигурируемая генерация лабиринтов и пошаговая отладка позволяют экспериментировать с разными стратегиями. Исследователи могут настраивать функции вознаграждения, определять собственные пространства наблюдений и визуализировать маршруты агента для анализа процессов рассуждения. Эта архитектура делает LLM Maze Agent универсальным инструментом для оценки планирования с использованием LLM, обучения концепциям ИИ и бенчмаркинга модели на задачах пространственного рассуждения.