reinforcement-learning

Plateforme d'intelligence décisionnelle pour la simulation de conduite autonome

Ce dépôt rassemble du code encapsulant des algorithmes couramment utilisés dans le domaine du machine learning. La plupart sont basés sur Numpy, Pandas ou Torch. Vous pouvez approfondir votre compréhension des modèles et algorithmes associés ou les modifier pour obtenir votre propre code personnalisé en vous référant à ce dépôt.

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

Une collection d'environnements multi-agents basés sur OpenAI gym.

API pour exécuter VirtualHome, un simulateur de foyer multi‑agents

Un framework unifié pour l'apprentissage par robot.

Déployer le projet walk-these-ways sur Unitree Go2.

Explorez le « moment Eurêka » multimodal sur le modèle 2B

Publié dans Nature Machine Intelligence ! Le premier vrai robot (quadricoptère) basé sur un entraînement par physique différentiable.

Notes du cours "Machine Learning 2021 Spring" du Professeur Hung-yi Lee de l'Université Nationale de Taïwan (NTU).

[ICLR 2026] ReCogDrive : Un cadre cognitif renforcé pour la conduite autonome de bout en bout

Un moteur d'apprentissage par renforcement asynchrone pour le post-entraînement omnimodal à grande échelle

Articles de recherche associés au reinforcement learning, incluant des articles classiques et récents issus des principales conférences.

Une liste de documents sélectionnés sur l'apprentissage par renforcement pour la génération de vidéo

Articles AAAI 2024 : explorez une collection complète de documents de recherche innovants présentés lors de l'une des principales conférences sur l'intelligence artificielle. Intégrez facilement les implémentations de code pour une meilleure compréhension. ⭐ Découvrez le summum du progrès en intelligence artificielle avec ce dépôt !

[ICML 2026] Ressources officielles de "Graph-R1: Towards Agentic GraphRAG Framework via End-to-end Reinforcement Learning".

Évaluation comparative de la gamme des capacités des agents

NeurIPS 2023 : Safety-Gymnasium : Un benchmark unifié pour l'apprentissage par renforcement sécurisé

Implémentation de ChatGPT RLHF (Reinforcement Learning with Human Feedback) sur n'importe quel modèle de génération dans les transformers de Hugging Face (bloomz-176B/bloom/gpt/bart/T5/MetaICL)

Apprentissage par renforcement profond (PPO) dans la conduite autonome (Carla) [depuis zéro]

Meta Agents Research Environments est une plateforme complète conçue pour évaluer les agents IA dans des scénarios dynamiques et réalistes. Contrairement aux benchmarks statiques, cette plateforme introduit des environnements évolutifs où les agents doivent adapter leurs stratégies à mesure que de nouvelles informations deviennent disponibles, reflétant les défis du monde réel.

Une liste organisée de ressources sur l'intelligence artificielle (cours, outils, applications, projets open source)

[NeurIPS 2025 Spotlight] Suite de post-entraînement pour LLM — incluant ReasonFlux, ReasonFlux-PRM et ReasonFlux-Coder.

Modèle de corps de drosophile pour MuJoCo et tâches d'apprentissage par renforcement pour la locomotion.

UMI on Legs : rendre les politiques de manipulation mobiles avec des contrôleurs corps complet centrés sur la manipulation

Liste organisée de cours d'ingénierie en machine learning accessibles au public provenant de CalTech, Columbia, Berkeley, MIT et Stanford.

Implémentations d'algorithmes d'apprentissage par renforcement multi-objectifs.

[CVPR 2025 Highlight] InterMimic : Vers un contrôle universel du corps entier pour les interactions homme-objet basées sur la physique

Un simulateur polyvalent, flexible et facile à utiliser, accompagné d'un environnement de trading OpenAI Gym pour la plateforme MetaTrader 5 (approuvé par OpenAI Gym)