Flocking Multi-Agent предоставляет модульную библиотеку для моделирования автономных агентов, демонстрирующих ройный интеллект. Включает основные поведенческие алгоритмы — сцепление, разделение и согласование — а также избегание препятствий и динамическое преследование цели. Используя Python и Pygame для визуализации, фреймворк позволяет настраивать параметры, такие как радиус соседей, максимальную скорость и силу поворота. Поддерживает расширение за счет пользовательских функций поведения и интеграционных хуков для робототехники или игровых движков. Идеально подходит для экспериментов в области ИИ, робототехники, разработки игр и академических исследований, показывая, как простые локальные правила приводят к сложным глобальным формированием.

LLM Playground служит комплексным инструментом для исследователей и разработчиков, интересующихся большими языковыми моделями (LLM). Пользователи могут экспериментировать с различными подсказками, оценивать ответы моделей и разрабатывать приложения. Платформа поддерживает ряд LLM и включает функции для сравнения производительности, позволяя пользователям видеть, какая модель лучше всего подходит для их нужд. С доступным интерфейсом LLM Playground направлена на упрощение процесса взаимодействия с сложными технологиями машинного обучения, что делает ее ценным ресурсом как для образования, так и для экспериментов.

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

Ребята RL-агенты для PettingZoo — это библиотека на Python, обеспечивающая готовые алгоритмы DQN, PPO и A2C для многопользовательского обучения с подкреплением в средах PettingZoo. Включает стандартизированные скрипты обучения и оценки, настраиваемые гиперпараметры, встроенное логирование в TensorBoard и поддержку как соревновательных, так и кооперативных игр. Исследователи и разработчики могут клонировать репозиторий, настраивать параметры среды и алгоритмов, запускать тренировки и визуализировать метрики для быстрой разработки и сравнения своих экспериментов по многопользовательскому RL.

Vanilla Agents — это лёгкий фреймворк на базе PyTorch, предоставляющий модульные и расширяемые реализации основных агентов обучения с подкреплением. Он поддерживает алгоритмы DQN, Double DQN, PPO и A2C, с подключаемыми обёртками окружений, совместимыми с OpenAI Gym. Пользователи могут настраивать гиперпараметры, регистрировать метрики обучения, сохранять контрольные точки и визуализировать кривые обучения. Код организован ясно, что делает его идеальным для прототипирования, образовательных целей и бенчмаркинга новых идей в RL.

CAMEL-AI — это фреймворк на Python, который позволяет разработчикам и исследователям создавать, настраивать и запускать несколько автономных ИИ-агентов, управляемых LLMs. Он включает встроенную поддержку генерации с дополнением извлечения (RAG), использования внешних инструментов, коммуникации между агентами, управления памятью и состоянием, а также планирования. Благодаря модульной архитектуре и легкой интеграции команды могут прототипировать сложные системы с несколькими агентами, автоматизировать рабочие процессы и масштабировать эксперименты на различных бекендах LLM.