MARO (Multi-Agent Resource Optimization) — это фреймворк на Python, предназначенный для поддержки разработки и оценки агентов обучения с подкреплением с несколькими агентами в сценариях цепей поставок, логистики и управления ресурсами. Включает шаблоны для управления запасами, планирования грузовиков, кросс-докинга, аренды контейнеров и прочего. MARO предлагает унифицированный API агентов, встроенные трекеры для ведения экспериментов, возможности параллельного моделирования для масштабных тренировок и инструменты визуализации для анализа эффективности. Платформа модульная, расширяемая, интегрируется с популярными RL-библиотеками, обеспечивая воспроизводимость исследований и быструю прототипирование решений на базе ИИ.

MGym — это специальная среда для создания и управления мультиагентными средами обучения с подкреплением (MARL) на Python. Она позволяет пользователям определять сложные сценарии с несколькими агентами, каждый из которых имеет настраиваемые наблюдения, действия, функции вознаграждения и правила взаимодействия. MGym поддерживает синхронный и асинхронный режимы выполнения, предоставляя моделирование агентов как в параллельном, так и в пошаговом режимах. Благодаря API, аналогичному Gym, MGym легко интегрируется с популярными библиотеками RL, такими как Stable Baselines, RLlib и PyTorch. Включает модули для оценки окружающей среды, визуализации результатов и анализа производительности, что способствует системной оценке алгоритмов MARL. Его модульная архитектура позволяет быстро прототипировать совместные, конкурирующие или смешанные задания, что помогает исследователям и разработчикам ускорить эксперименты и исследования в области MARL.

Poke-Env предназначен для упрощения создания и оценки AI-агентов для боёв Pokémon Showdown через всесторонний интерфейс на Python. Он управляет коммуникацией с сервером Pokémon Showdown, парсит данные игрового состояния и управляет действиями по раунду через архитектуру, основанную на событиях. Пользователи могут расширять базовые классы игроков для реализации индивидуальных стратегий с использованием обучения с подкреплением или эвристических алгоритмов. В рамках этого фреймворка встроена поддержка симуляций боёв, параллельных матчей и детального логирования действий, наград и результатов для воспроизводимых исследований. А abstraction'я низкоуровневых сетевых и парсинговых задач позволяет AI-исследователям и разработчикам сосредоточиться на проектировании алгоритмов, настройке производительности и сравнительном бенчмаркинге стратегий боя.