multi-agent-reinforcement-learning

Programador en pareja con IA para Claude, GPT, O Series, Grok, Deepseek, Gemini y más de 300 modelos

Una biblioteca de PyTorch modular, enfocada en primitivas y nativa de Python para el aprendizaje por refuerzo (Reinforcement Learning).

Una API estándar para entornos de aprendizaje por refuerzo multiagente, con entornos de referencia populares y utilidades relacionadas

ChatArena es un entorno de juegos de lenguaje multiagente para LLMs. El objetivo es desarrollar las capacidades de comunicación y colaboración de las IAs.

Un solo repositorio es todo lo que se necesita para el aprendizaje por refuerzo multi-agente (MARL).

XuanCe: Una biblioteca de aprendizaje por refuerzo profundo integral y unificada.

🦁 Una base de código orientada a la investigación para la experimentación rápida de aprendizaje por refuerzo multi-agente en JAX

La plataforma Multi-Agent Resource Optimization (MARO) es una instancia de aprendizaje por refuerzo como servicio (RaaS) para problemas de optimización de recursos del mundo real.

Marco de trabajo unificado para aprendizaje por refuerzo

BenchMARL es una biblioteca para realizar evaluaciones comparativas de aprendizaje por refuerzo multiagente (MARL). BenchMARL permite comparar rápidamente diferentes algoritmos, tareas y modelos de MARL, basándose sistemáticamente en sus dos principios fundamentales: reproducibilidad y estandarización.

RLAnything (ICML 2026) y AutoTool (ICML 2026), DemyAgent: RL de código abierto para LLMs y escenarios de agentes

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.

Un framework para entrenamiento e inferencia multi-agente reforzado basado en LLM