Acme — это фреймворк на базе Python, упрощающий разработку и оценку агентов обучения с подкреплением. Он включает коллекцию заранее созданных реализаций агентов (например, DQN, PPO, SAC), оболочки для среды, буферы повтора и движки для распределённого выполнения. Исследователи могут комбинировать компоненты для прототипирования новых алгоритмов, контролировать метрики обучения с помощью встроенного логирования и использовать масштабируемые распределённые пайплайны для масштабных экспериментов. Acme интегрируется с TensorFlow и JAX, поддерживает пользовательские среды через интерфейсы OpenAI Gym и включает утилиты для создания контрольных точек, оценки и настройки гиперпараметров.

Halite II — это открытый фреймворк соревнований, который проводит пошаговые стратегические матчи между пользователями, написавшими своих ботов. В каждом ходе агенты получают состояние карты, посылают команды перемещения и атаки, и борются за контроль наибольшей территории. Платформа включает игровой сервер, парсер карт и инструмент визуализации. Разработчики могут тестировать локально, дорабатывать эвристики, оптимизировать производительность под временные ограничения и публиковать ботов в онлайн-листинг. Система поддерживает итеративное улучшение ботов, сотрудничество мультиигроков и разработку стратегий в стандартизированной среде.

HoneyHive — это комплексная платформа, предоставляющая инструменты для оценки ИИ, тестирования и наблюдения, в первую очередь предназначенная для команд, создающих и поддерживающих приложения GenAI. Она позволяет разработчикам автоматически тестировать, оценивать и проводить бенчмаркинг моделей, агентов и RAG-конвейеров по критериям безопасности и производительности. Объединяя производственные данные, такие как трассировки, оценки и отзывы пользователей, HoneyHive содействует обнаружению аномалий, тщательному тестированию и итеративным улучшениям в системах ИИ, обеспечивая их готовность к производству и надежность.

MARTI (Toolkit и интерфейс для обучения с подкреплением с несколькими агентами) — это исследовательская платформа, которая упрощает разработку, оценку и бенчмаркинг алгоритмов RL с несколькими агентами. Она предлагает plug-and-play архитектуру, в которой пользователи могут настраивать пользовательские среды, политики агентов, структуры вознаграждения и протоколы коммуникации. MARTI интегрируется с популярными библиотеками глубокого обучения, поддерживает ускорение на GPU и распределённое обучение, а также генерирует подробные логи и визуализации для анализа производительности. Модульный дизайн позволяет быстро прототипировать новые подходы и систематически сравнивать их с базовыми линиями, что делает её идеальной для академических исследований и пилотных проектов в автономных системах, робототехнике, игровых ИИ и сценариях кооперативных многоглассных систем.

ePH-MAPF обеспечивает эффективный процесс вычисления путей без столкновений для десятков и сотен агентов на сеточных картах. Использует приоритетные эвристики, техники инкрементального поиска и настраиваемые метрики стоимости (Манхэттен, Евклид), чтобы сбалансировать скорость и качество решения. Пользователи могут выбрать разные эвристические функции, интегрировать библиотеку в системы на Python и тестировать производительность на стандартных сценариях MAPF. Код модульный и хорошо документирован, что позволяет исследователям и разработчикам расширять его для динамических препятствий или специализированных сред.

LLMs обеспечивает унифицированное абстрагирование для различных моделей языка с открытым исходным кодом и хостингов, позволяя разработчикам загружать и запускать модели через один интерфейс. Поддерживает обнаружение моделей, управление запросами и пайплайнами, пакетную обработку и точный контроль за токенами, температурой и потоками. Пользователи легко могут переключаться между CPU и GPU, интегрировать локальные или удалённые хосты моделей и кэшировать ответы для повышения производительности. Включает утилиты для шаблонов запросов, анализа ответов и бенчмаркинга производительности моделей. Отделяя логику приложения от конкретных реализаций моделей, LLMs ускоряет разработку NLP-приложений, таких как чат-боты, генерация текста, суммаризация, перевод и другие, без привязки к поставщикам или проприетарным API.