LLMChat.me — это онлайн-сервис, который объединяет десятки открытых больших языковых моделей в единый чат-интерфейс. Пользователи могут выбирать модели, такие как Vicuna, Alpaca, ChatGLM и MOSS, для генерации текста, кода или креативного контента. Платформа сохраняет историю диалогов, поддерживает пользовательские системные подсказки и позволяет легко переключаться между разными бэкендами моделей. Идеально подходит для экспериментов, прототипирования и повышения продуктивности, LLMChat.me полностью работает в браузере, не требует загрузки и обеспечивает быстрый, безопасный и бесплатный доступ к ведущим моделям ИИ, управляемым сообществом.

OpenSpiel — это исследовательский фреймворк, обеспечивающий широкий спектр окружений (от простых матричных игр до сложных настольных игр, таких как шахматы, го и покер) и реализующий различные алгоритмы обучения с укреплением и поиска (например, итерацию значений, градиент политики, Монтекарло-дерево поиска). Его модульное ядро на C++ и привязки к Python позволяют пользователям вставлять собственные алгоритмы, определять новые игры и сравнивать эффективность на стандартных бенчмарках. Спроектированный с учетом расширяемости, он поддерживает сценарии с одним и несколькими агентами, позволяя изучать кооперативные и соревновательные ситуации. Исследователи используют OpenSpiel для быстрого прототипирования алгоритмов, проведения масштабных экспериментов и обмена воспроизводимым кодом.

Pits and Orbs — это открытая среда для обучения с усилением, реализованная на Python, предлагающая пошаговый многопользовательский мир с клетчатой сеткой, в которой агенты преследуют цели и сталкиваются с опасностями окружающей среды. Каждый агент должен перемещаться по настраиваемой сетке, избегать случайных ловушек, которые штрафуют или завершают эпизоды, и собирать сферы для положительных наград. Среда поддерживает как соревновательные, так и кооперативные режимы, позволяя исследовать различные сценарии обучения. Простая API легко интегрируется с популярными RL-библиотеками, такими как Stable Baselines и RLlib. Основные возможности включают регулируемые размеры сетки, динамическое распределение ловушек и сфер, настраиваемые структуры наград и опциональный логинг для анализа тренировки.

Multi-Agent-Seller предоставляет модульную среду для моделирования переговоров в электронной коммерции с использованием AI-агентов. Включает готовых агентов покупателя и продавца с настраиваемыми стратегиями переговоров, такими как динамическое ценообразование, уступки по времени и принятие решений на основе полезности. Пользователи могут определять собственные протоколы, форматы сообщений и рыночные условия. Фреймворк управляет сессиями, отслеживает предложения и ведет журнал результатов с встроенными средствами визуализации для анализа взаимодействий агентов. Легко интегрируется с библиотеками машинного обучения для разработки стратегий, позволяя экспериментировать с обучением с подкреплением или правилами. Расширяемая архитектура позволяет добавлять новые типы агентов, правила переговоров и плагины визуализации. Multi-Agent-Seller идеально подходит для тестирования алгоритмов с несколькими агентами, изучения поведения переговоров и преподавания концепций в областях AI и электронной коммерции.