multi-agent-reinforcement-learning

Pair programmer berdaya AI untuk Claude, GPT, O Series, Grok, Deepseek, Gemini, dan 300+ model

Library PyTorch yang modular, mengutamakan primitif, dan berbasis Python untuk Reinforcement Learning.

API standar untuk lingkungan reinforcement learning multi-agen, dengan lingkungan referensi populer dan utilitas terkait

ChatArena (atau Chat Arena) adalah Lingkungan Game Bahasa Multi-Agen untuk LLM. Tujuannya adalah mengembangkan kemampuan komunikasi dan kolaborasi AI.

Satu repositori adalah semua yang diperlukan untuk Multi-agent Reinforcement Learning (MARL)

XuanCe: Pustaka Deep Reinforcement Learning yang Komprehensif dan Terpadu

🦁 Basis kode yang ramah penelitian untuk eksperimen cepat pembelajaran penguatan multi-agen (multi-agent reinforcement learning) di JAX

Platform Multi-Agent Resource Optimization (MARO) adalah instansiasi dari Reinforcement Learning as a Service (RaaS) untuk masalah optimasi sumber daya dunia nyata.

Kerangka Kerja Reinforcement Learning Terpadu

BenchMARL adalah pustaka untuk pengujian <i>benchmark</i> Multi-Agent Reinforcement Learning (MARL). BenchMARL memungkinkan perbandingan cepat antara berbagai algoritma, tugas, dan model MARL dengan tetap berlandaskan pada dua prinsip inti: reproduksibilitas dan standarisasi.

RLAnything (ICML 2026) & AutoTool (ICML 2026), DemyAgent: RL Open-Source untuk LLM dan Skenario Agen

VMAS adalah simulator terdiferensiasi tervektorisasi yang dirancang untuk pengujian Multi-Agent Reinforcement Learning yang efisien. Simulator ini terdiri dari mesin fisika 2D tervektorisasi yang ditulis dalam PyTorch dan serangkaian skenario multi-robot yang menantang. Skenario tambahan dapat diimplementasikan melalui antarmuka yang sederhana dan modular.

Kerangka kerja untuk Pelatihan dan Inferensi Multi-Agen berbasis LLM