Простейшее самостоятельное обучение предлагает разработчикам очень простой способ создавать и обучать агентов обучения с усилением на Python. Фреймворк абстрагирует основные компоненты RL, такие как оболочки окружений, модули политик и буферы опыта в лаконичные интерфейсы. Пользователи могут быстро инициализировать окружения, определять пользовательские политики с помощью знакомых бэкендов PyTorch или TensorFlow, запускать обучающие циклы с встроенным логированием и сохранением контрольных точек. Библиотека поддерживает on-policy и off-policy алгоритмы, что позволяет гибко экспериментировать с Q-обучением, градиентами политики и методами актор-критик. Снижая объем шаблонного кода, простое самообучение позволяет специалистам, педагогам и исследователям быстро прототипировать алгоритмы, проверять гипотезы и визуализировать эффективность агентов с минимальной настройкой. Его модульная структура облегчает интеграцию с существующими ML-стеками и пользовательскими окружениями.

Данный репозиторий предоставляет полноценную рамочную платформу для исследований в области обучения с подкреплением в игре StarCraft II. Основной агент использует Proximal Policy Optimization (PPO) для обучения сетей политики, интерпретирующих данные наблюдений из среды PySC2 и выдающих точные действия в игре. Разработчики могут настраивать слои нейронных сетей, формирование вознаграждений и графики обучения для оптимизации производительности. Система поддерживает многопоточность для эффективного сбора образцов, утилиты логирования для мониторинга кривых обучения и скрипты оценки для тестирования обученных моделей против скриптованных или встроенных ИИ-оппонентов. Код написан на Python и использует TensorFlow для определения и оптимизации моделей. Пользователи могут расширять компоненты, такие как пользовательские функции вознаграждения, предварительная обработка состояния или архитектура сети, для достижения конкретных целей исследования.

TexasHoldemAgent представляет собой модульную среду, основанную на Python, для обучения, оценки и развертывания AI-игрока в Heads-up limit Texas Hold’em. Она интегрирует собственный симуляционный движок с алгоритмами глубокого усиленного обучения, включая DQN, для итеративного улучшения политики. Основные функции включают кодирование состояния руки, определение пространства действий (чего folded, call, raise), формирование вознаграждения и оценку решений в реальном времени. Пользователи могут настраивать параметры обучения, использовать ускорение на CPU/GPU, отслеживать ход тренировки и загружать или сохранять обученные модели. Фреймворк поддерживает пакетное моделирование для тестирования стратегий, генерации метрик эффективности и визуализации коэффициента побед, что позволяет исследователям, разработчикам и любителям покера экспериментировать с AI-стратегиями игры.

Text-to-Reward предоставляет pipeline для обучения моделей вознаграждения, которые отображают текстовые описания задач или отзывы в скалярные значения вознаграждения для агентов RL. Используя архитектуры на базе трансформеров и тонкую настройку на собранных данных предпочтений человека, фреймворк автоматически учится интерпретировать инструкции на естественном языке как сигналы вознаграждения. Пользователи могут задавать произвольные задачи через текстовые подсказки, обучать модель и затем интегрировать полученную функцию вознаграждения в любой алгоритм RL. Такой подход устраняет необходимость ручного задания наград, повышает эффективность выборки и позволяет агентам следовать сложным многошаговым инструкциям в симулированных или реальных средах.

uAgents — это модульная JavaScript-библиотека, которая даёт возможность разработчикам создавать автономных, децентрализованных ИИ-агентов, способных обнаруживать пиров, обмениваться сообщениями, работать над задачами и адаптироваться с помощью обучения. Агенты общаются через протоколы gossip на базе libp2p, регистрируют возможности через on-chain реестры и договариваются о соглашениях уровня услуг с помощью смарт-контрактов. Основная библиотека управляет событиями жизненного цикла агента, маршрутизацией сообщений и расширяемыми поведениями, такими как обучение с подкреплением и распределение задач на основе рынка. С помощью настраиваемых плагинов uAgents может интегрироваться с блокчейном Fetch.ai, внешними API и оракулами, позволяя агентам выполнять реальные действия, получать данные и принимать решения в распределённых средах без централизованной координации.

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.

VMAS — полный набор инструментов для построения и обучения мультиагентных систем с помощью глубокого обучения с подкреплением. Он обеспечивает параллельное моделирование сотен экземпляров окружений на GPU, что позволяет собирать данные с высокой пропускной способностью и масштабировать обучение. VMAS включает реализации популярных алгоритмов MARL, таких как PPO, MADDPG, QMIX и COMA, и предлагает модульные интерфейсы для быстрой прототипизации политики и среды. Фреймворк позволяет организовать централизованное обучение с децентрализованным исполнением (CTDE), поддерживаемые настраиваемые наградные функции, пространства наблюдения и хуки обратных вызовов для ведения журналов и визуализации. Благодаря модульной архитектуре VMAS легко интегрируется с моделями PyTorch и внешними средами, что делает его идеальным для исследований в задачах сотрудничества, соревнований и смешанных мотиваций в робототехнике, управлении трафиком, распределении ресурсов и сценариях игровой AI.

Фреймворк YGO-Agent позволяет исследователям и энтузиастам создавать ИИ-ботов, которые играют в Yu-Gi-Oh, используя обучение с подкреплением. Он оборачивает симулятор YGOPRO в совместимую с OpenAI Gym среду, определяя состояния, такие как рука, поле и показатели жизни, а также действия, включая призыв, активацию заклинаний/ловушек и атаки. Вознаграждения основаны на исходе победы/проигрыша, нанесённом уроне и ходе игры. Архитектура агента реализована на PyTorch с использованием DQN, с возможностью настройки кастомных сетевых архитектур, повторной обучения опыта и ε-жадной стратегии исследования. Модули логирования регистрируют кривые обучения, коэффициенты выигрыша и подробные логовые записи ходов для анализа. Рамочное решение модульное, что позволяет пользователям заменять или расширять компоненты, такие как функции награды или пространство действий.

GYM_XPLANE_ML оборачивает симулятор полетов X-Plane как среду OpenAI Gym, предоставляя управление газом, рулем высоты, элеронами и рулем направления как пространства действий, а такие параметры полета, как высота, скорость и ориентация, как наблюдения. Пользователи могут писать сценарии обучения на Python, выбирать предопределенные сценарии или настраивать контрольные точки, погодные условия и модели самолетов. Библиотека обеспечивает низколатентную связь с X-Plane, выполнение эпизодов в синхронном режиме, логирование метрик и поддержку рендеринга в реальном времени для отладки. Она способствует итеративной разработке автопилотов на базе ML и экспериментальных алгоритмов RL в фотореалистичной среде полетов.

AI-агентный машинный перевод — это открытая платформа для исследований и разработки в области машинного перевода. Она управляет тремя основными агентами — генератором, оценщиком и уточнителем — для совместного производства, оценки и совершенствования переводов. Построена на базе PyTorch и моделей трансформеров, поддерживая предварительное обучение с учителем, оптимизацию с помощью обучения с подкреплением и настраиваемые политики агентов. Пользователи могут проводить бенчмаркинг на стандартных наборах данных, отслеживать BLEU-рейтинги и расширять пайплайн с помощью пользовательских агентов или функций вознаграждения для исследования коллаборации агентов в задачах перевода.

AI Hedge Fund 5zu обеспечивает полноценную цепочку обработки для количественной торговли: настраиваемая среда для моделирования нескольких классов активов, модули агентов на базе усиленного обучения, утилиты для бэктестинга, интеграция рыночных данных в реальном времени и инструменты управления рисками. Пользователи могут настраивать источники данных, определять функции награды, обучать агентов на исторических данных и оценивать показатели эффективности по ключевым финансовым метрикам. Фреймворк поддерживает модульную разработку стратегий и легко расширяется для работы с API брокеров в реальном времени для развертывания торговых ботов производственного уровня.

AI-агенты для Камень-Ножницы-Бумага — это проект с открытым исходным кодом на Python, показывающий, как строить, обучать и оценивать различные стратегии AI — случайную игру, распознавание правил и обучение с подкреплением (Q-learning) — в классической игре. Он включает модульные классы агентов, настраиваемый механизм игры, логирование эффективности и утилиты визуализации. Пользователи легко могут менять агентов, регулировать параметры обучения и исследовать поведение ИИ в соревновательных сценариях.

Среда Beer Game обеспечивает дискретное моделирование цепочки поставок пива из четырёх этапов — розничного продавца, оптовика, дистрибьютора и производителя — с интерфейсом OpenAI Gym. Агентам предоставляются наблюдения, такие как наличие запасов, запас в pipeline и входящие заказы, после чего они выводят количество заказов. Среда рассчитывает издержки на хранение запасов и обратных заказов за каждый шаг и поддерживает настраиваемые распределения спроса и сроки выполнения. Она беспрепятственно интегрируется с популярными библиотеками RL, такими как Stable Baselines3, позволяя исследователям и педагогам тестировать и обучать алгоритмы для задач оптимизации цепочките поставок.

BotPlayers — это универсальный открытый фреймворк, разработанный для упрощения разработки и развертывания агентов для игр на базе искусственного интеллекта. Он включает гибкий слой абстракции среды, поддерживающий скриншоты, веб-API или настраиваемые интерфейсы моделирования, позволяя ботам взаимодействовать с разными играми. Встроенные алгоритмы обучения с подкреплением, генетические алгоритмы и эвристические правила, а также инструменты для логирования данных, создания контрольных точек моделей и визуализации производительности. Модульная система плагинов позволяет разработчикам настраивать датчики, действия и политики ИИ на Python или Java. Также доступны конфигурации на YAML для быстрой разработки прототипов и автоматизированных пайплайнов для обучения и оценки. Поддержка кроссплатформенности на Windows, Linux и macOS ускоряет эксперименты и производство интеллектуальных игровых агентов.

CityLearn предоставляет модульную платформу моделирования для исследований в области управления энергией с использованием обучения с подкреплением. Пользователи могут определить многозональные группы зданий, настроить системы HVAC, аккумуляторы и возобновляемые источники энергии, затем обучать агентов RL на основе событий реагирования на спрос. Среда отображает наблюдения состояния, такие как температуры, профили нагрузки и цены энергии, в то время как действия управляют установками и диспетчеризацией хранения. Гибкий API наград позволяет использовать индивидуальные метрики — такие как экономия затрат или сокращение выбросов — а инструменты ведения журналов поддерживают анализ эффективности. CityLearn идеально подходит для сравнения алгоритмов, обучения по учебной программе и разработки новых стратегий управления в воспроизводимой исследовательской среде.

CryptoTrader Agents предоставляет полный набор инструментов для проектирования, обучения и развертывания торговых стратегий на основе ИИ в криптовалютах. Включает модульную среду для загрузки данных, построения признаков и определения пользовательских функций вознаграждения. Пользователи могут использовать преднастроенные алгоритмы обучения с подкреплением или интегрировать собственные модели. Платформа обеспечивает симуляцию тестирования на исторических данных, контроль рисков и отслеживание метрик. Когда стратегия готова, агенты могут подключаться к API бирж для автоматического исполнения ордеров. На базе Python, фреймворк полностью расширяемый, что позволяет пользователям прототипировать новые тактики, запускать перебор параметров и наблюдать за результатами в реальном времени.

Fast Reinforcement Learning — это специализированная Python-обёртка, предназначенная для ускорения разработки и выполнения агентов обучения с усилением. Она обеспечивает поддержку популярных алгоритмов, таких как PPO, A2C, DDPG и SAC, в сочетании с управлением высокопроизводительными векторизированными средами. Пользователи могут легко настраивать сеть политик, изменять учебные циклы и использовать GPU-ускорение для масштабных экспериментов. Модульная архитектура гарантирует бесшовную интеграцию с окружениями OpenAI Gym, что позволяет исследователям и практикам прототипировать, создавать бенчмарки и развёртывать агентов в различных задачах управления, игр и симуляций.

DeepSeek R1 представляет собой значительный прорыв в области искусственного интеллекта, обеспечивая первоклассную производительность в задачах рассуждения, математики и кодирования. Используя сложную архитектуру MoE (Mixture of Experts) с 37B активными параметрами и 671B общими параметрами, DeepSeek R1 реализует передовые методы усиленного обучения для достижения лучших в своем классе показателей. Модель обеспечивает устойчивую производительность, включая 97,3% точности на MATH-500 и 96,3% по перцентилю на Codeforces. Ее открытая природа и экономически эффективные варианты развертывания делают ее доступной для широкого спектра приложений.

Dino Reinforcement Learning — это полный набор инструментов для обучения AI-агента играть в игру динозавров Chrome с помощью обучения с подкреплением. Интеграция с безголовым Chrome через Selenium обеспечивает захват игровых кадров в реальном времени и их обработку в представления состояний, оптимизированные для входных данных глубоких Q-сетей. В рамках реализованы модули памяти воспроизведения, эвристического исследования epsilon-greedy, моделей сверточных нейронных сетей и циклов обучения с настраиваемыми гиперпараметрами. Пользователи могут отслеживать прогресс обучения через консольные логи и сохранять контрольные точки для последующей оценки. После обучения агент может быть запущен для автономной игры или протестирован против различных архитектур моделей. Модульный дизайн облегчает замену алгоритмов RL, что делает платформу гибкой для экспериментов.

DQN-Deep-Q-Network-Atari-Breakout-TensorFlow обеспечивает полную реализацию алгоритма DQN, адаптированную для среды Atari Breakout. Использует сверточную нейронную сеть для приближения Q-значений, применяет воспроизведение опыта для разрыва корреляций между последовательными наблюдениями и используют периодически обновляемую целевую сеть для стабилизации обучения. Агент действует по epsilon-greedy политике для исследования и может обучаться с нуля на необработанных пиксельных входных данных. В репозитории есть файлы конфигурации, скрипты обучения для мониторинга роста наград, тестовые скрипты для проверки обученных моделей и утилиты TensorBoard для визуализации метрик обучения. Пользователи могут настраивать гиперпараметры, такие как скорость обучения, размер буфера воспроизведения и размер пакета, для экспериментирования с разными настройками.