multi-agent-reinforcement-learning

Lập trình viên hỗ trợ bằng AI cho Claude, GPT, dòng O, Grok, Deepseek, Gemini và hơn 300 mô hình khác

Một thư viện PyTorch mô-đun, hướng nguyên thủy và hướng Python dành cho Học tăng cường (Reinforcement Learning).

Một API chuẩn dành cho môi trường học tăng cường đa tác nhân (multi-agent reinforcement learning), đi kèm các môi trường tham khảo phổ biến và các tiện ích liên quan

ChatArena (hoặc Chat Arena) là Môi trường Trò chơi Ngôn ngữ Đa tác nhân dành cho LLMs. Mục tiêu là phát triển khả năng giao tiếp và cộng tác của AI.

Chỉ cần một kho lưu trữ duy nhất cho Học tăng cường đa tác nhân (MARL)

XuanCe: Thư viện Học Tăng cường Sâu Toàn diện và Thống nhất

🦁 Cơ sở mã thân thiện với nghiên cứu để thử nghiệm nhanh chóng học tăng cường đa tác nhân trong JAX

Nền tảng Tối ưu hóa Tài nguyên Đa tác nhân (MARO) là một ví dụ về Học tăng cường dạng dịch vụ (RaaS) cho các bài toán tối ưu hóa tài nguyên trong thế giới thực.

Khung làm việc học tăng cường thống nhất

BenchMARL là một thư viện để đánh giá hiệu năng Học tăng cường đa tác nhân (MARL). BenchMARL cho phép so sánh nhanh các thuật toán, tác vụ và mô hình MARL khác nhau dựa trên hai nguyên tắc cốt lõi: khả năng tái lập và tiêu chuẩn hóa.

RLAnything (ICML 2026) & AutoTool (ICML 2026), DemyAgent: RL mã nguồn mở cho LLM và các kịch bản tác nhân.

VMAS là trình mô phỏng vi phân vector hóa được thiết kế để đánh giá hiệu quả Học tăng cường đa tác nhân (Multi-Agent Reinforcement Learning). Nó bao gồm một công cụ vật lý 2D vector hóa viết bằng PyTorch và một tập hợp các kịch bản đa robot đầy thử thách. Các kịch bản bổ sung có thể được triển khai thông qua giao diện đơn giản và mô-đun.

Khung làm việc cho huấn luyện và suy luận tăng cường đa tác nhân dựa trên LLM.