multi-agent-reinforcement-learning

Assistant de programmation IA pour Claude, GPT, O Series, Grok, Deepseek, Gemini et plus de 300 modèles.

Une bibliothèque PyTorch modulaire, axée sur les primitives et Python, pour l'apprentissage par renforcement.

Une API standard pour les environnements d'apprentissage par renforcement multi-agents, incluant des environnements de référence populaires et des utilitaires associés

ChatArena est un environnement de jeu multi-agents pour LLM, visant à développer les capacités de communication et de collaboration des IA

Un seul dépôt suffit pour l'apprentissage par renforcement multi-agents (MARL)

XuanCe : une bibliothèque d'apprentissage par renforcement profond complète et unifiée

Une base de code adaptée à la recherche pour l'expérimentation rapide de l'apprentissage par renforcement multi-agents dans JAX.

La plateforme Multi-Agent Resource Optimization (MARO) est une instance de Reinforcement Learning as a Service (RaaS) pour les problèmes d'optimisation des ressources dans le monde réel.

Framework unifié d'apprentissage par renforcement.

BenchMARL est une bibliothèque de benchmarking pour l'apprentissage par renforcement multi-agents (MARL). BenchMARL permet de comparer rapidement différents algorithmes MARL, tâches et modèles, tout en étant systématiquement fondé sur ses deux principes fondamentaux : la reproductibilité et la standardisation.

RLAnything (ICML 2026) & AutoTool (ICML 2026), DemyAgent : RL open source pour les LLM et les scénarios d'agents

VMAS est un simulateur vectorisé et différentiable conçu pour l'évaluation efficace de l'apprentissage par renforcement multi-agents. Il comprend un moteur physique 2D vectorisé écrit en PyTorch et un ensemble de scénarios multi-robots complexes. Des scénarios supplémentaires peuvent être implémentés via une interface simple et modulaire.

Un framework pour l'entraînement et l'inférence multi-agents basés sur les LLM par renforcement