#rl Repositorios
Descubre 47 repositorios activos de código abierto de GitHub etiquetados con #rl, que acumulan 119,707 estrellas en total (una media de 2,546 estrellas por proyecto). El líder de este tema es LlamaChinese/Llama-Chinese, con 14,712 estrellas.
47 repositorios en total
Comunidad china Llama, compila en tiempo real los últimos materiales de aprendizaje de Llama, construye el mejor ecosistema de código abierto de grandes modelos Llama en chino, completamente de código abierto y comercializable
Dopamine es un marco de investigación para el prototipado rápido de algoritmos de aprendizaje por refuerzo.
Entrenador de refuerzo de agentes: entrena agentes de varios pasos para tareas del mundo real usando GRPO. Brinda a tus agentes capacitación en el trabajo. ¡Aprendizaje por refuerzo para Qwen3.6, GPT-OSS, Llama y más!
EasyR1: Un framework de entrenamiento RL multimodal eficiente y escalable basado en veRL
🚀 Un currículo de código abierto y práctico que cierra la brecha desde conceptos básicos de RL hasta alineación de LLM, RLVR y sistemas Agentic avanzados.
agent-sandbox permite gestionar fácilmente cargas de trabajo aisladas, con estado y de instancia única, por lo que resulta ideal para casos de uso como los entornos de ejecución de agentes de IA y el aprendizaje por refuerzo (RL).
Una biblioteca PyTorch modular, orientada a primitivas y primero en Python para Reinforcement Learning.
Una implementación del algoritmo AlphaZero para Gomoku (también llamado Gobang o Five in a Row)
Cubre datos de preentrenamiento, tokenizadores, Transformers, MoE, entrenamiento distribuido, leyes de escalado, inferencia y alineación. 6 tareas de programación progresivas para aprender LLM de principio a fin.
Un marco de entrenamiento para agentes de aprendizaje por refuerzo de Stable Baselines3, con optimización de hiperparámetros y agentes pre-entrenados incluidos.
Una encuesta sobre aprendizaje por refuerzo para modelos de razonamiento grandes
Implementación de todos los algoritmos RL de una manera más sencilla
[ICLR 2026] SimpleVLA-RL: Escalando el entrenamiento de VLA mediante Aprendizaje por Refuerzo
Comprendiendo el entrenamiento similar a R1-Zero: Una perspectiva crítica
La pila de mejora continua para agentes. Nuestros datos de entorno y evaluaciones impulsan la mejora y el monitoreo de agentes.
Tensorlake es un runtime sin servidor para sandboxes y despliegue de aplicaciones agenticas en segundo plano
‘AI-Compass’ guiará a la comunidad en la navegación del océano tecnológico de la IA. Sea que seas principiante o un desarrollador avanzado, encontrarás aquí un camino hacia todas las direcciones principales de la IA. Su objetivo es ayudar a los desarrolladores a comprender de manera sistemática los conceptos fundamentales de la IA, las tecnologías dominantes, las tendencias de vanguardia y, mediante la práctica, dominar todo el proceso desde la teoría hasta la implementación.
Sistemas de inteligencia de riesgos nativos de IA, OpenDeRisk: su gestor inteligente de riesgos de aplicaciones proporciona una protección completa y en profundidad las 24 horas del día, los 7 días de la semana.
Una colección curada de artículos, informes técnicos, marcos y herramientas para la destilación en política (OPD) de modelos de lenguaje grandes
[EMNLP 2026] MobileGym: Una plataforma de simulación verificable y altamente paralela para la investigación de agentes de GUI móvil · Simulador de Android alojado en el navegador · Evaluación verificable · Entrenamiento de RL en línea escalable
Plataforma de robot humanoide open-source impresa en 3D para sim-to-real y RL
Paquete Contrib para Stable-Baselines3 - Código experimental de aprendizaje por refuerzo (RL)
Repositorio oficial de DR Tulu: Aprendizaje por Refuerzo con Rúbricas Evolutivas para Investigación Profunda
Una lista curada de artículos sobre búsqueda en árbol de Monte Carlo con implementaciones.
Simulador de Hearthstone usando C++ con algo de aprendizaje por refuerzo
BenchMARL es una biblioteca para la evaluación comparativa de Multi-Agent Reinforcement Learning (MARL). BenchMARL permite comparar rápidamente diferentes algoritmos, tareas y modelos de MARL, al tiempo que se basa sistemáticamente en sus dos principios fundamentales: reproducibilidad y estandarización.
Plataforma de Investigación en IA para Aprendizaje por Refuerzo a partir de Imágenes Panorámicas Reales.
Implementación de algoritmos de Inverse Reinforcement Learning (IRL) en Python/TensorFlow. Deep MaxEnt, MaxEnt, LPIRL
Últimos avances en razonamiento de cadena de pensamiento larga
📘 El rastreador de experimentos para el entrenamiento de modelos fundamentales
Implementaciones de ROS2-Control para robots cuadrúpedos, incluye sim2real
Meta Agents Research Environments es una plataforma integral diseñada para evaluar agentes de IA en escenarios dinámicos y realistas. A diferencia de los puntos de referencia estáticos, esta plataforma introduce entornos en evolución donde los agentes deben adaptar sus estrategias a medida que hay nueva información disponible, reflejando los desafíos del mundo real.
Implementaciones de algoritmos de Aprendizaje por Refuerzo Multi-Objetivo.
DeepThinkVLA: Mejora de la capacidad de razonamiento de modelos visión-lenguaje-acción
Implementación oficial de GDPO: Optimización de políticas con normalización desacoplada de las recompensas grupales para la optimización del aprendizaje por refuerzo con múltiples recompensas
Preguntas frecuentes
¿Cuál es el repositorio de #rl más popular en GitHub?
El proyecto de código abierto de #rl mejor posicionado en GitHub es LlamaChinese/Llama-Chinese, con 14,712 estrellas. Comunidad china Llama, compila en tiempo real los últimos materiales de aprendizaje de Llama, construye el mejor ecosistema de código abierto de grandes modelos Llama en chino, completamente de código abierto y comercializable
¿Qué lenguajes de programación se utilizan más en los repositorios de #rl?
Entre los proyectos de #rl mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, C++, Go.
¿Cómo se calcula la clasificación de los repositorios de #rl?
Seguimos 47 repositorios activos de código abierto etiquetados con #rl (500+ estrellas), que suman un total de 119,707 estrellas, con una media de 2,546 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.