multi-agent-reinforcement-learning

Programador em par com IA para Claude, GPT, O Series, Grok, Deepseek, Gemini e mais de 300 modelos.

Uma biblioteca PyTorch modular, focada em primitivas e em Python para Aprendizado por Reforço.

Uma API padrão para ambientes de aprendizado por reforço multiagente, com ambientes de referência populares e utilitários relacionados

ChatArena é um ambiente de jogo de linguagem multiagente para LLMs. O objetivo é desenvolver capacidades de comunicação e colaboração de IAs.

Um único repositório é tudo o que é necessário para Aprendizado por Reforço Multiagente (MARL).

XuanCe: uma biblioteca abrangente e unificada de Deep Reinforcement Learning.

🦁 Uma base de código amigável para pesquisa para experimentação rápida de aprendizado por reforço multi-agente em JAX

A plataforma Multi-Agent Resource Optimization (MARO) é uma instância de Aprendizado por Reforço como Serviço (RaaS) para problemas de otimização de recursos no mundo real.

Framework unificado de aprendizado por reforço.

BenchMARL é uma biblioteca para benchmark de Multi-Agent Reinforcement Learning (MARL). O BenchMARL permite comparar rapidamente diferentes algoritmos, tarefas e modelos de MARL, mantendo-se sistematicamente fundamentado em seus dois principais pilares: reprodutibilidade e padronização.

RLAnything (ICML 2026) & AutoTool (ICML 2026), DemyAgent: RL Open-Source para LLMs e Cenários de Agentes

O VMAS é um simulador vetorizado e diferenciável projetado para benchmarks eficientes de aprendizado por reforço multi-agente. Ele é composto por um mecanismo de física 2D vetorizado escrito em PyTorch e um conjunto de cenários desafiadores com múltiplos robôs. Cenários adicionais podem ser implementados por meio de uma interface simples e modular.

Um framework para treinamento reforçado e inferência multiagente baseado em LLM