rl

MobileGym: Nền tảng mô phỏng có thể kiểm chứng và song song hóa cao cho nghiên cứu tác nhân GUI di động · Trình mô phỏng Android chạy trên trình duyệt · Đánh giá có thể kiểm chứng · Đào tạo RL trực tuyến có khả năng mở rộng

Gói đóng góp cho Stable-Baselines3 - Mã học tăng cường (RL) thử nghiệm

Danh sách các bài báo nghiên cứu về tìm kiếm cây Monte Carlo kèm theo các bản triển khai

Nền tảng nghiên cứu AI cho học tăng cường từ hình ảnh toàn cảnh thực tế.

Kho lưu trữ chính thức cho DR Tulu: Học tăng cường với các Rubric tiến hóa cho Nghiên cứu chuyên sâu.

Triển khai các thuật toán Học tăng cường nghịch đảo (IRL) trong Python/Tensorflow. Deep MaxEnt, MaxEnt, LPIRL

Trình mô phỏng Hearthstone sử dụng C++ kết hợp học tăng cường

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.

Những tiến bộ mới nhất về suy luận chuỗi tư duy dài (Long Chain-of-Thought).

[NeurIPS 2022] 🛒WebShop: Hướng tới tương tác web thực tế có thể mở rộng với các Grounded Language Agent

Triển khai ROS2-Control cho robot bốn chân, bao gồm sim2real

Meta Agents Research Environments là một nền tảng toàn diện được thiết kế để đánh giá các tác nhân AI trong các tình huống thực tế và năng động. Không giống như các tiêu chuẩn tĩnh, nền tảng này giới thiệu các môi trường phát triển nơi các tác nhân phải điều chỉnh chiến lược khi có thông tin mới, phản ánh các thách thức trong thế giới thực.

Triển khai các thuật toán học tăng cường đa mục tiêu.

DeepThinkVLA: Nâng cao khả năng suy luận của các mô hình Vision-Language-Action

Một môi trường Gym dành cho các Agentic LLM

Official implementation of GDPO: Group reward-Decoupled Normalization Policy Optimization for Multi-reward RL Optimization