multi-agent-reinforcement-learning

KI-gestützter Paar-Programmierer für Claude, GPT, O Series, Grok, Deepseek, Gemini und über 300 Modelle

Eine modulare, primitive-first, python-first PyTorch-Bibliothek für Reinforcement Learning.

Eine Standard-API für Multi-Agenten-Reinforcement-Learning-Umgebungen, mit beliebten Referenzumgebungen und zugehörigen Utilities

ChatArena (oder Chat Arena) ist eine Multi-Agenten-Sprachspielumgebung für LLMs. Das Ziel ist es, die Kommunikations- und Kollaborationsfähigkeiten von KIs zu entwickeln.

Ein Repository ist alles, was für Multi-Agent Reinforcement Learning (MARL) erforderlich ist

XuanCe: Eine umfassende und einheitliche Deep-Reinforcement-Learning-Bibliothek

🦁 Eine forschungsfreundliche Codebasis für schnelle Experimente mit Multi-Agenten-Reinforcement-Learning in JAX

Die Multi-Agent Resource Optimization (MARO) Plattform ist eine Instanz von Reinforcement Learning as a Service (RaaS) für reale Ressourcenoptimierungsprobleme.

Einheitliches Reinforcement-Learning-Framework

BenchMARL ist eine Bibliothek für Benchmarking im Bereich Multi-Agent Reinforcement Learning (MARL). BenchMARL ermöglicht den schnellen Vergleich verschiedener MARL-Algorithmen, -Aufgaben und -Modelle, gestützt auf die zwei Kernprinzipien: Reproduzierbarkeit und Standardisierung.

RLAnything (ICML 2026) & AutoTool (ICML 2026), DemyAgent: Open-Source-RL für LLMs und Agentenszenarien

VMAS ist ein vektorisierter, differenzierbarer Simulator für effizientes Benchmarking im Multi-Agent Reinforcement Learning. Er besteht aus einer in PyTorch geschriebenen 2D-Physik-Engine und einer Reihe anspruchsvoller Multi-Roboter-Szenarien. Weitere Szenarien lassen sich über eine einfache, modulare Schnittstelle implementieren.

Ein Framework für LLM-basiertes Multi-Agent Reinforced Training und Inference.