LLMChat.me是一個線上服務，將數十個開源大型語言模型整合成一個統一的聊天介面。用戶可以選擇Vicuna、Alpaca、ChatGLM和MOSS等模型來生成文字、程式碼或創意內容。平台會存儲對話記錄，支援自訂系統提示，並允許無縫切換不同模型後端。非常適合實驗、原型開發與提升工作效率，LLMChat.me完全在瀏覽器中運行，無需下載，提供快速、安全且免費的存取主要由社群驅動的AI模型的途徑。

OpenSpiel 是一個研究框架，提供從簡單矩陣遊戲到複雜棋類遊戲（如國際象棋、圍棋和撲克）的廣泛環境，並實現各種強化學習和搜索算法（如值迭代、策略梯度方法、MCTS）。其模組化的 C++ 核心和 Python 綁定允許用戶插入自定義算法、定義新遊戲，並在標準基準上比較性能。設計具有擴展性，支持單一和多智能體設置，研究合作和競爭場景。研究人員利用 OpenSpiel 快速原型設計算法、大規模實驗和分享可重複的代碼。

Pits and Orbs是一個用Python實作的開源強化學習環境，提供回合制多代理格子世界，在其中代理追求目標並面臨環境危險。每個代理必須在可調整的格子上導航，避免隨機放置的陷阱（會懲罰或終止回合），並收集寶珠來獲得正向獎勵。該環境支援競爭和合作模式，讓研究者探索多樣學習場景。簡單的API可無縫整合如Stable Baselines或RLlib等流行RL框架。目前主要特色包括可調格子尺寸、動態陷阱與寶珠分佈、可配置的獎勵結構，以及選擇性註解訓練數據追踪。

Multi-Agent-Seller 提供了一個模組化的環境，用於使用AI代理模擬電子商務談判。它包括預設的買家和賣家代理，具有可自定義的談判策略，例如動態定價、基於時間的讓步和效用為基礎的決策。用戶可以定義自定義協議、訊息格式和市場條件。該框架負責會話管理、報價追蹤和結果日誌，並配備內建的可視化工具以分析代理互動。它可以輕鬆與機器學習庫整合，用於策略開發，支持使用強化學習或規則的代理進行實驗。其擴展性架構允許添加新代理類型、談判規則和可視化插件。Multi-Agent-Seller 非常適合測試多代理算法、研究談判行為，以及在AI與電子商務領域進行概念教學。