#multi-agent-reinforcement-learning Repositories
Entdecke 19 aktive Open-Source-GitHub-Repositories, die mit #multi-agent-reinforcement-learning getaggt sind und insgesamt 29,554 Sterne gesammelt haben (durchschnittlich 1,555 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist tailcallhq/forgecode mit 7,636 Sternen.
Insgesamt 19 Repositories
KI-gestützter Paarprogrammierer für Claude, GPT, O Series, Grok, Deepseek, Gemini und über 300 weitere Modelle
Eine modulare, primatenfreundliche, Python-first PyTorch-Bibliothek für Reinforcement Learning.
Eine standardisierte API für Multi-Agenten-Verstärkungslernumgebungen mit beliebten Referenzumgebungen und zugehörigen Hilfsprogrammen
Umgebungsgenerierungs-Code für das Papier "Emergent Tool Use From Multi-Agent Autocurricula"
ChatArena (oder Chat Arena) ist eine Multi-Agenten-Sprachspielumgebung für LLMs. Das Ziel ist es, Kommunikations- und Kollaborationsfähigkeiten von KIs zu entwickeln.
Ein Repository ist alles, was für Multi-Agent Reinforcement Learning (MARL) notwendig ist
XuanCe: Eine umfassende und einheitliche Bibliothek für Deep Reinforcement Learning
🦁 Eine forschungsfreundliche Codebasis für schnelles Experimentieren mit Multi-Agent Reinforcement Learning in JAX
Die Multi-Agent Resource Optimization (MARO)-Plattform ist eine Instanz von Reinforcement Learning as a Service (RaaS) für reale Ressourcenoptimierungsprobleme.
Leichte Version von MAPPO, die Ihnen hilft, schnell in Ihre lokale Umgebung zu migrieren.
BenchMARL ist eine Bibliothek zum Benchmarking von Multi-Agent Reinforcement Learning (MARL). BenchMARL ermöglicht den schnellen Vergleich verschiedener MARL-Algorithmen, Aufgaben und Modelle, während es systematisch auf seinen beiden Kernprinzipien basiert: Reproduzierbarkeit und Standardisierung.
RLAnything (ICML 2026) & AutoTool (ICML 2026), DemyAgent: Open-Source-RL für LLMs und Agenten-Szenarien
Eine Erweiterung der PyMARL-Codebasis, die zusätzliche Algorithmen und Umgebungsunterstützung enthält
Offizielles Reinforcement-Learning-Umfeld für Demand Response und Lastformung
VMAS ist ein vektorisierter, differenzierbarer Simulator, der für ein effizientes Benchmarking im Multi-Agent Reinforcement Learning (MARL) entwickelt wurde. Er besteht aus einer vektorisierten 2D-Physik-Engine, die in PyTorch geschrieben ist, und einer Reihe von herausfordernden Multi-Robot-Szenarien. Zusätzliche Szenarien können über eine einfache und modulare Schnittstelle implementiert werden.
[ICLR 2026] Ein Framework für LLM-basiertes verstärktes Training und Inferenz mit mehreren Agenten
Häufig gestellte Fragen
Welches ist das beliebteste #multi-agent-reinforcement-learning-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#multi-agent-reinforcement-learning-Projekt auf GitHub ist tailcallhq/forgecode mit 7,636 Sternen. KI-gestützter Paarprogrammierer für Claude, GPT, O Series, Grok, Deepseek, Gemini und über 300 weitere Modelle
Welche Programmiersprachen werden in #multi-agent-reinforcement-learning-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #multi-agent-reinforcement-learning-Projekten auf GitHub sind Python, Rust die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #multi-agent-reinforcement-learning-Repositories berechnet?
Wir verfolgen 19 aktive Open-Source-Repositories, die mit #multi-agent-reinforcement-learning getaggt sind (500+ Sterne), mit insgesamt 29,554 Sternen und durchschnittlich 1,555 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.