gym

Conjunto de datos de fitness de 1,324 ejercicios: GIFs animados, miniaturas de 180x180, datos de grupos musculares y equipos, e instrucciones paso a paso en 6 idiomas. La capa de datos de ejercicios detrás de la aplicación LogPress.

Versión en PyTorch de Stable Baselines, implementaciones confiables de algoritmos de aprendizaje por refuerzo.

Una API estándar para entornos de aprendizaje por refuerzo de agente único, con entornos de referencia populares y utilidades relacionadas (anteriormente Gym)

Implementación de archivo único de alta calidad de algoritmos de aprendizaje por refuerzo profundo con características amigables para la investigación (PPO, DQN, C51, DDPG, TD3, SAC, PPG)

🏋 Moderna plataforma de entrenamiento físico de código abierto. Crea planes de entrenamiento, registra el progreso y accede a una base de datos completa de ejercicios.

Rastreador autohospedado FLOSS de condición física/entrenamiento, nutrición y peso.

Un framework de entrenamiento para agentes de aprendizaje por refuerzo de Stable Baselines3, con optimización de hiperparámetros y agentes pre-entrenados incluidos.

MuZero

Framework distribuido y acelerado por GPU para computación evolutiva. Biblioteca completa de algoritmos evolutivos y problemas de referencia.

Entornos PyBullet Gymnasium para aprendizaje por refuerzo de agentes individuales y múltiples en el control de cuadricópteros

[NeurIPS 2023 Spotlight] LightZero: un benchmark unificado para la búsqueda en árbol de Monte Carlo en escenarios de decisión secuencial general (awesome MCTS)

Motor de ejecución de entornos paralelos de alto rendimiento basado en C++ (entorno vectorizado) para entornos de RL generales.

[NeurIPS 2025 Spotlight] Entornos de razonamiento para aprendizaje por refuerzo con recompensas verificables

Evalúe y mejore modelos y agentes utilizando entornos.

Algoritmo Asynchronous Advantage Actor-Critic (A3C) para Super Mario Bros

Biblioteca modular de aprendizaje por refuerzo (RL) (implementada en PyTorch, JAX y NVIDIA Warp) con soporte para Gymnasium/Gym, NVIDIA Isaac Lab, MuJoCo Playground y otros entornos.

Entornos de aprendizaje por refuerzo para el control de semáforos con SUMO. Compatible con Gymnasium, PettingZoo y bibliotecas populares de RL.

Código fuente del libro "Reinforcement Learning: Theory and Python Implementation"

Aplicación de fitness y entrenamiento en Flutter para wger.

Entornos CartPole y Quadrotor de PyBullet, con dinámica a priori simbólica de CasADi, para control basado en aprendizaje y RL

Marco de trabajo unificado para aprendizaje por refuerzo

MobileGym: Una plataforma de simulación verificable y altamente paralela para la investigación de agentes de GUI móvil · Simulador de Android alojado en navegador · Evaluación verificable · Entrenamiento de RL en línea escalable

Paquete contrib para Stable-Baselines3: código experimental de aprendizaje por refuerzo (RL)

Una colección de entornos multiagente basados en OpenAI gym.

VMAS es un simulador diferenciable vectorizado diseñado para la evaluación comparativa eficiente del aprendizaje por refuerzo multiagente. Consta de un motor de física 2D vectorizado escrito en PyTorch y un conjunto de escenarios desafiantes con múltiples robots. Se pueden implementar escenarios adicionales a través de una interfaz simple y modular.

Una aplicación multiplataforma para registrar tus levantamientos en el gimnasio.

Implementaciones de algoritmos de aprendizaje por refuerzo multiobjetivo.

Un entorno de entrenamiento (Gym) para LLMs agentes

Your workout logs visualized!