DEf-MARL (Фреймворк децентрализенного исполнения для многопользовательского обучения с подкреплением) обеспечивает надежную инфраструктуру для выполнения и обучения кооперативных агентов без централизованных контроллеров. Он использует протоколы связи peer-to-peer для обмена политиками и наблюдениями между агентами, обеспечивая координацию через локальные взаимодействия. Фреймворк бесшовно интегрируется с такими популярными инструментами RL, как PyTorch и TensorFlow, предлагая настраиваемые оболочки окружения, сборку распределенных запусков и модули синхронизации градиентов. Пользователи могут определять индивидуальные пространства наблюдения, функции награды и топологии связи. DEf-MARL поддерживает динамическое добавление и удаление агентов во время выполнения, отказоустойчивое выполнение за счет репликации критического состояния между узлами и адаптивное расписание связи для балансировки исследования и эксплуатации. Он ускоряет обучение за счет параллельного моделирования окружений и уменьшения центральных узких мест, что делает его подходящим для масштабных исследований MARL и промышленных симуляций.

Модульный подход фреймворка Controllable RAG позволяет строить системы расширенного поиска с возможностью настройки и соединения компонентов поиска, памяти и стратегий генерации. Разработчики могут подключать различные LLM, векторные базы данных и контроллеры политик для регулировки методов получения и обработки документов перед генерацией. Основанный на Python, он включает инструменты для индексирования, запросов, отслеживания истории диалогов и управление действиями, что делает его идеальным для чат-ботов, помощников по знаниям и исследовательских инструментов.

MIDCA — это модульная когнитивная архитектура, предназначенная для поддержки полного когнитивного цикла умных агентов. Она обрабатывает сенсорные входные данные с помощью модуля восприятия, интерпретирует их для генерации и приоритезации целей, использует планировщик для создания последовательностей действий, осуществляет выполнение и оценивает результаты через метакогнитивный слой. Концепция двойного цикла разделяет быстрые реактивные ответы и более медленное рассуждение, что даёт агентам возможность динамического адаптирования. Расширяемая структура и открытый исходный код делают MIDCA идеальной платформой для исследователей и разработчиков, изучающих автономное принятие решений, обучение и саморефлексию в ИИ.