Mean-Field MARL предоставляет надежный фреймворк на Python для реализации и оценки алгоритмов обучения с подкреплением для нескольких агентов с помощью среднего поля. Он моделирует взаимодействия больших агентов, аппроксимируя средний эффект соседних агентов через Q-обучение с использованием среднего поля. В библиотеку входят обертки сред, модули политик агентов, циклы обучения и метрики оценки, что позволяет масштабировать обучение сотен агентов. Созданный на базе PyTorch для ускорения на GPU, он поддерживает настраиваемые среды, такие как Particle World и Gridworld. Модульный дизайн облегчает расширение новыми алгоритмами, а встроенные инструменты логирования и визуализации на базе Matplotlib позволяют отслеживать награды, кривые потерь и распределения среднего поля. Примерные скрипты и документация помогают пользователям настроить, конфигурировать эксперименты и анализировать результаты, делая его идеальным как для исследований, так и для прототипирования больших систем агентов.

Team Coordination — это легкая библиотека Python, разработанная для упрощения оркестрации нескольких ИИ-агентов, работающих над сложными задачами. Определяя специализированные роли — такие как планировщики, исполнители, оценщики или коммуникаторы — пользователи могут разбивать высокоуровневую цель на управляемые подзадачи, делегировать их отдельным агентам и обеспечивать структурированную коммуникацию между ними. Фреймворк управляет асинхронным выполнением, маршрутизацией протоколов и сбором результатов, позволяя командам ИИ-агентов эффективно взаимодействовать. Его система плагинов поддерживает интеграцию с популярными LLM, API и собственными логическими модулями, что делает его идеальным для автоматизации обслуживания клиентов, исследований, игровых ИИ и обработки данных. Благодаря четким абстракциям и расширяемым компонентам, Team Coordination ускоряет разработку масштабируемых рабочих процессов с несколькими агентами.

Trinity-RFT (Retrieval Fine-Tuning) — объединённый открытый фреймворк, предназначенный для повышения точности и эффективности моделей за счёт сочетания процессов поиска и тонкой настройки. Пользователи могут подготовить корпус данных, создать индекс поиска и сразу же вставить полученный контекст в обучающие циклы. Поддержка мультимодального поиска для текста, изображений и видео, интеграция с популярными векторными хранилищами, а также оценочные метрики и сценарии развертывания для быстрого прототипирования и внедрения в производство.

MARFT — это основанный на Python инструмент для больших языковых моделей (LLM), позволяющий воспроизводить эксперименты и быстро прототипировать системы совместного ИИ.