#rl Dépôts
Découvrez 47 dépôts GitHub open source actifs associés à #rl, cumulant 119,707 étoiles au total (soit une moyenne de 2,546 étoiles par projet). Le projet en tête de ce thème est LlamaChinese/Llama-Chinese, avec 14,712 étoiles.
47 dépôts au total
Communauté chinoise Llama, compile en temps réel les dernières ressources d'apprentissage sur Llama, construit le meilleur écosystème open source de grands modèles Llama en chinois, entièrement open source et commercialisable
Dopamine est un cadre de recherche pour le prototypage rapide d'algorithmes d'apprentissage par renforcement.
Entraîneur par renforcement d'agents : entraînez des agents multi-étapes pour des tâches réelles en utilisant GRPO. Offrez à vos agents une formation en cours d'emploi. Apprentissage par renforcement pour Qwen3.6, GPT-OSS, Llama et plus encore !
EasyR1 : Un framework d'entraînement RL multi-modalités efficace et évolutif basé sur veRL
🚀 Un curriculum open-source et pratique comblant l'écart des concepts RL de base à l'alignement LLM, RLVR et systèmes Agentic avancés.
agent-sandbox facilite la gestion de charges de travail isolées, avec état et à instance unique, ce qui le rend idéal pour des cas d’utilisation tels que les environnements d’exécution d’agents d’IA et l’apprentissage par renforcement (RL).
Une bibliothèque PyTorch modulaire, axée sur les primitives et d'abord en Python pour l'apprentissage par renforcement.
Une implémentation de l'algorithme AlphaZero pour le Gomoku (également appelé Gobang ou Five in a Row)
Couvre les données de préentraînement, les tokeniseurs, les Transformers, le MoE, l’entraînement distribué, les lois de mise à l’échelle, l’inférence et l’alignement. 6 exercices de programmation progressifs pour apprendre les LLM de bout en bout.
Un framework d'entraînement pour les agents d'apprentissage par renforcement Stable Baselines3, avec optimisation des hyperparamètres et agents pré-entraînés inclus.
Une enquête sur l'apprentissage par renforcement pour les grands modèles de raisonnement
Implémentation de tous les algorithmes RL de manière plus simple
[ICLR 2026] SimpleVLA-RL: Mise à l'échelle de l'entraînement VLA par apprentissage par renforcement
La pile d'amélioration continue pour les agents. Nos données d'environnement et nos évaluations alimentent l'amélioration et la surveillance des agents.
Tensorlake est un runtime sans serveur pour les sandboxes et le déploiement d'applications agentiques en arrière-plan
"AI-Compass" guidera la communauté pour naviguer dans l'océan des technologies IA. Que vous soyez débutant ou développeur confirmé, vous trouverez ici les voies vers toutes les grandes orientations de l'IA. Ce projet vise à aider les développeurs à comprendre de façon systématique les concepts clés de l'IA, les technologies majeures, les tendances de pointe, et, par la pratique, à maîtriser l’ensemble du processus, de la théorie à la mise en œuvre.
Systèmes d'intelligence des risques natifs de l'IA, OpenDeRisk – Votre gestionnaire intelligent des risques d'application offre une protection complète et approfondie 7j/7 et 24h/24.
Une collection organisée d'articles, de rapports techniques, de cadres et d'outils pour la distillation en politique (OPD) des grands modèles de langage
[EMNLP 2026] MobileGym : une plateforme de simulation vérifiable et hautement parallèle pour la recherche sur les agents d'interface graphique mobile · Simulateur Android hébergé dans le navigateur · Évaluation vérifiable · Entraînement RL en ligne évolutif
Plateforme robot humanoïde open-source imprimée en 3D pour sim-to-real et RL
Package Contrib pour Stable-Baselines3 - Code expérimental d'apprentissage par renforcement (RL)
Dépôt officiel de DR Tulu : Apprentissage par renforcement avec des rubriques évolutives pour la recherche approfondie
Une liste curated de papiers sur la recherche arborescente de Monte Carlo avec implémentations.
Simulateur Hearthstone utilisant C++ avec un peu d'apprentissage par renforcement
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.
Plateforme de recherche en IA pour l'apprentissage par renforcement à partir d'images panoramiques réelles.
Implémentation d'algorithmes d'Inverse Reinforcement Learning (IRL) en Python/TensorFlow. Deep MaxEnt, MaxEnt, LPIRL
Dernières avancées en matière de raisonnement à longue chaîne de pensée
Implémentations ROS2-Control pour robots quadrupèdes, incluant sim2real
Meta Agents Research Environments est une plateforme complète conçue pour évaluer les agents d'IA dans des scénarios dynamiques et réalistes. Contrairement aux benchmarks statiques, cette plateforme introduit des environnements en évolution où les agents doivent adapter leurs stratégies à mesure que de nouvelles informations deviennent disponibles, reflétant ainsi les défis du monde réel.
Implémentations d'algorithmes d'Apprentissage par Renforcement Multi-Objectif.
DeepThinkVLA : Amélioration des capacités de raisonnement des modèles vision-langage-action
Implémentation officielle de GDPO : optimisation de politique par normalisation découplée des récompenses de groupe pour l’optimisation de l’apprentissage par renforcement à récompenses multiples
Foire aux questions
Quel est le dépôt #rl le plus populaire sur GitHub ?
Le projet #rl open source le mieux classé sur GitHub est LlamaChinese/Llama-Chinese, avec 14,712 étoiles. Communauté chinoise Llama, compile en temps réel les dernières ressources d'apprentissage sur Llama, construit le meilleur écosystème open source de grands modèles Llama en chinois, entièrement open source et commercialisable
Quels langages de programmation sont les plus utilisés dans les dépôts #rl ?
Parmi les projets #rl les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, Go.
Comment le classement des dépôts #rl est-il calculé ?
Nous suivons 47 dépôts open source actifs associés à #rl (500+ étoiles), totalisant 119,707 étoiles, avec une moyenne de 2,546 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.