MAGAIL реализует расширение генеративного противоборствующего имитационного обучения для мультиагентов, позволяя группам агентов обучаться скоординированному поведению, основываясь на демонстрациях экспертов. Построенный на Python с поддержкой PyTorch (или вариантов TensorFlow), MAGAIL состоит из модулей политики (генератора) и дискриминатора, обучающихся в противоборственном цикле. Агенты генерируют траектории в средах, таких как OpenAI Multi-Agent Particle Environment или PettingZoo, которые дискриминатор использует для оценки подлинности по сравнению с данными экспертов. Через итеративные обновления сети политики сходятся к стратегиям, похожим на стратегии экспертов, без явных функций награды. Модульная архитектура MAGAIL позволяет настраивать архитектуры сетей, загрузку данных экспертов, интеграцию среды и гиперпараметры обучения. Кроме того, встроенное логирование и визуализация с помощью TensorBoard облегчают мониторинг и анализ прогресса обучения и показателей эффективности мультиагентов.

Возникающая коммуникация в агентах — это открытая платформа на PyTorch, предназначенная для исследователей, изучающих, как многопользовательские системы разрабатывают собственные протоколы связи. Библиотека предлагает гибкие реализации совместных задач обучения с подкреплением, включая референциальные игры, комбинированные игры и задачи идентификации объектов. Пользователи определяют архитектуры говорящих и слушающих агентов, задают свойства каналов сообщений, такие как размер словаря и длина последовательности, и выбирают стратегии обучения, такие как градиенты политики или контролируемое обучение. В рамках представлены скрипты для запуска экспериментов, анализа эффективности коммуникации и визуализации возникающих языков. Модульная конструкция обеспечивает лёгкое расширение новыми игровыми средами или пользовательскими функциями потерь. Исследователи могут воспроизводить опубликованные исследования, создавать эталонные модели новых алгоритмов и исследовать композиционность и семантику языков агентов.

Плагин GAMA Genstar добавляет возможность работы с генеративным ИИ в платформу GAMA, предоставляя коннекторы к OpenAI, локальным LLM и эндпоинтам пользовательских моделей. Пользователи определяют подсказки и пайплайны в GAML для генерации решений агентов, описаний сред и параметров сценариев на лету. Плагин поддерживает синхронные и асинхронные API-запросы, кэширование ответов и настройку параметров. Он упрощает интеграцию моделей на естественном языке в крупномасштабные симуляции, уменьшая объем ручного скриптинга и стимулируя создание более богатого и адаптивного поведения агентов.

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

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.

WorFBench — это комплексный open-source-фреймворк, предназначенный для оценки возможностей агентов ИИ, построенных на больших языковых моделях. Он предлагает широкий спектр задач — от планирования маршрутов до рабочих процессов генерации кода, — каждая с четко определенными целями и метриками оценки. Пользователи могут настраивать стратегии агентов, интегрировать внешние инструменты через стандартизированные API и запускать автоматические оценки, записывая показатели по разложению задач, глубине планирования, точности вызова инструментов и качеству конечного вывода. Встроенные панели визуализации позволяют отслеживать путь принятия решений каждого агента, что облегчает выявление сильных и слабых сторон. Модульная архитектура WorFBench позволяет быстро расширять функциональность новыми задачами или моделями, способствуя воспроизводимости исследований и сравнительным исследованиям.