#multi-agent-reinforcement-learning Dépôts
Découvrez 19 dépôts GitHub open source actifs associés à #multi-agent-reinforcement-learning, cumulant 29,554 étoiles au total (soit une moyenne de 1,555 étoiles par projet). Le projet en tête de ce thème est tailcallhq/forgecode, avec 7,636 étoiles.
19 dépôts au total
Programmeur par paires basé sur l'IA pour Claude, GPT, O Series, Grok, Deepseek, Gemini et plus de 300 modèles
Une bibliothèque PyTorch modulaire, axée sur les primitives et d'abord en Python pour l'apprentissage par renforcement.
Une API standard pour les environnements d'apprentissage par renforcement multi-agents, avec des environnements de référence populaires et des utilitaires associés
Code de génération d'environnement pour le papier "Emergent Tool Use From Multi-Agent Autocurricula"
ChatArena (ou Chat Arena) est un environnement de jeu linguistique multi-agents pour les LLM. L'objectif est de développer les capacités de communication et de collaboration des IA.
Un seul dépôt est nécessaire pour l'apprentissage par renforcement multi-agents (MARL)
XuanCe : Une bibliothèque complète et unifiée pour l'apprentissage par renforcement profond
🦁 Une base de code conviviale pour la recherche pour une expérimentation rapide de l'apprentissage par renforcement multi-agents dans JAX
La plateforme Multi-Agent Resource Optimization (MARO) est une instance de Reinforcement Learning as a Service (RaaS) pour les problèmes d'optimisation de ressources dans le monde réel.
Version légère de MAPPO pour vous aider à migrer rapidement vers votre environnement local.
BenchMARL est une bibliothèque pour l'évaluation comparative de l'apprentissage par renforcement multi-agents (MARL). BenchMARL permet de comparer rapidement différents algorithmes, tâches et modèles MARL tout en étant systématiquement ancré dans ses deux principes fondamentaux : la reproductibilité et la standardisation.
RLAnything (ICML 2026) et AutoTool (ICML 2026), DemyAgent : Apprentissage par renforcement open-source pour les LLM et les scénarios d'agents
Une extension de la base de code PyMARL qui comprend des algorithmes supplémentaires et une prise en charge de l'environnement
Environnement officiel d'apprentissage par renforcement pour la réponse à la demande et le modelage de charge
VMAS est un simulateur différentiable vectorisé conçu pour le benchmarking efficace de l'apprentissage par renforcement multi-agent. Il est composé d'un moteur physique 2D vectorisé écrit en PyTorch et d'un ensemble de scénarios multi-robots stimulants. Des scénarios supplémentaires peuvent être implémentés via une interface simple et modulaires.
[ICLR 2026] Un cadre pour l'entraînement renforcé et l'inférence multi-agents fondés sur les LLM
Foire aux questions
Quel est le dépôt #multi-agent-reinforcement-learning le plus populaire sur GitHub ?
Le projet #multi-agent-reinforcement-learning open source le mieux classé sur GitHub est tailcallhq/forgecode, avec 7,636 étoiles. Programmeur par paires basé sur l'IA pour Claude, GPT, O Series, Grok, Deepseek, Gemini et plus de 300 modèles
Quels langages de programmation sont les plus utilisés dans les dépôts #multi-agent-reinforcement-learning ?
Parmi les projets #multi-agent-reinforcement-learning les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Rust.
Comment le classement des dépôts #multi-agent-reinforcement-learning est-il calculé ?
Nous suivons 19 dépôts open source actifs associés à #multi-agent-reinforcement-learning (500+ étoiles), totalisant 29,554 étoiles, avec une moyenne de 1,555 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.