NeuralABM — это open-source библиотека на Python, использующая PyTorch для интеграции нейронных сетей в агентное моделирование. Пользователи могут задавать архитектуру агентов в виде нейронных модулей, определять динамику среды и обучать поведение агентов с помощью обратного распространения ошибок на этапах симуляции. Фреймворк поддерживает пользовательские сигналы вознаграждения, обучение по куррикулуму и синхронное или асинхронное обновление, что позволяет исследовать возникающие феномены. В комплект входят утилиты для логирования, визуализации и экспорта наборов данных, что позволяет исследователям и разработчикам анализировать производительность агентов, отлаживать модели и оптимизировать дизайн симуляций. NeuralABM упрощает сочетание обучения с подкреплением и ABM для приложений в области социальных наук, экономики, робототехники и AI-управляемого поведения NPC в играх. Он предоставляет модульные компоненты для настройки среды, поддерживает взаимодействие нескольких агентов и позволяет внедрять внешние датасеты или API для реальных симуляций. Открытая архитектура способствует воспроизводимости и совместной работе благодаря ясной конфигурации экспериментов и интеграции систем контроля версий.

LightJason Benchmark предлагает полный набор заранее определенных и настраиваемых сценариев для стресс-тестирования и оценки приложений на базе LightJason. Пользователи могут настраивать число агентов, схемы коммуникации и параметры среды для моделирования реальных нагрузок и оценки поведения системы. Метрики включают пропускную способность сообщений, времена отклика агентов, использование CPU и памяти, результаты логирования в CSV и графические форматы. Интеграция с JUnit позволяет легко включать тесты в автоматизированные pipelines, обеспечивая регрессионное и производительное тестирование как часть CI/CD. С настройками и расширяемыми шаблонами сценариев, набор помогает выявить узкие места, оценить масштабируемость и руководить архитектурными оптимизациями систем с высокой производительностью и устойчивостью.