#rl Repository
Scopri 47 repository GitHub open source attivi contrassegnati con #rl, che raccolgono un totale di 119,707 stelle (con una media di 2,546 stelle per progetto). Il progetto leader di questo argomento è LlamaChinese/Llama-Chinese, con 14,712 stelle.
47 repository in totale
Community cinese Llama, raccoglie in tempo reale gli ultimi materiali di apprendimento su Llama, costruisce il miglior ecosistema open source di modelli di grandi dimensioni Llama in cinese, completamente open source e disponibile per uso commerciale
Dopamine è un framework di ricerca per il prototipaggio rapido di algoritmi di apprendimento per rinforzo.
Agent Reinforcement Trainer: addestra agenti multi-step per attività del mondo reale utilizzando GRPO. Fornisci ai tuoi agenti una formazione sul campo. Apprendimento per rinforzo per Qwen3.6, GPT-OSS, Llama e altro ancora!
EasyR1: Un framework di addestramento RL multi-modalità efficiente e scalabile basato su veRL
🚀 Un curriculum open-source e hands-on che colma il divario dai concetti base di RL all'allineamento LLM, RLVR e sistemi Agentic avanzati.
agent-sandbox consente di gestire facilmente carichi di lavoro isolati, stateful e singleton, risultando ideale per casi d’uso come i runtime per agenti di IA e il reinforcement learning (RL).
Una libreria PyTorch modulare, orientata ai primitivi e prima a Python per il Reinforcement Learning.
Un'implementazione dell'algoritmo AlphaZero per Gomoku (chiamato anche Gobang o Five in a Row)
Copre i dati di pre-addestramento, i tokenizer, i Transformer, il MoE, l’addestramento distribuito, le leggi di scaling, l’inferenza e l’allineamento. 6 esercizi di programmazione progressivi per apprendere gli LLM a 360 gradi.
Un framework di addestramento per agenti di apprendimento per rinforzo Stable Baselines3, con ottimizzazione degli iperparametri e agenti pre-addestrati inclusi.
Una indagine sull'apprendimento per rinforzo per modelli di ragionamento di grandi dimensioni
[ICLR 2026] SimpleVLA-RL: Scalare l'addestramento VLA tramite Apprendimento per rinforzo
Lo stack di miglioramento continuo per agenti. I nostri dati ambientali e le nostre valutazioni alimentano il miglioramento e il monitoraggio degli agenti.
Tensorlake è un runtime serverless per sandbox e distribuzione di applicazioni agentiche in background
"AI-Compass" guiderà la comunità nella navigazione dell'oceano delle tecnologie AI. Che tu sia un principiante o uno sviluppatore avanzato, troverai qui percorsi verso tutte le principali direzioni dell'IA. L'obiettivo è aiutare gli sviluppatori a comprendere in modo sistematico i concetti fondamentali dell'IA, le tecnologie di punta, le tendenze all'avanguardia e, attraverso la pratica, a padroneggiare l'intero processo dalla teoria alla realizzazione.
Sistemi di intelligenza del rischio AI-Native, OpenDeRisk – Il tuo gestore intelligente del rischio delle applicazioni fornisce una protezione completa e approfondita 7 giorni su 7, 24 ore su 24.
Una raccolta curata di articoli, rapporti tecnici, framework e strumenti per la distillazione on-policy (OPD) di grandi modelli linguistici
[EMNLP 2026] MobileGym: Una piattaforma di simulazione verificabile e altamente parallela per la ricerca sugli agenti GUI per dispositivi mobili · Simulatore Android basato su browser · Valutazione verificabile · Addestramento RL online scalabile
Piattaforma robot umanoide open-source stampata in 3D per sim-to-real e RL
Pacchetto Contrib per Stable-Baselines3 - Codice sperimentale di apprendimento per rinforzo (RL)
Repository ufficiale di DR Tulu: Apprendimento per Rinforzo con Rubriche Evolutive per la Ricerca Approfondita
Una lista curata di articoli su ricerca ad albero Monte Carlo con implementazioni.
Simulatore di Hearthstone usando C++ con un po' di reinforcement learning
BenchMARL è una libreria per il benchmarking del Multi-Agent Reinforcement Learning (MARL). BenchMARL consente di confrontare rapidamente diversi algoritmi, attività e modelli MARL, pur essendo sistematicamente fondato sui suoi due principi fondamentali: riproducibilità e standardizzazione.
Piattaforma di ricerca IA per l'apprendimento per rinforzo da immagini panoramiche reali.
Implementazione di algoritmi di Inverse Reinforcement Learning (IRL) in Python/TensorFlow. Deep MaxEnt, MaxEnt, LPIRL
Ultimi progressi nel ragionamento a catena lunga di pensiero
📘 Il tracker degli esperimenti per l'addestramento dei modelli fondamentali
Implementazioni ROS2-Control per robot quadrupedi, inclusa sim2real
Meta Agents Research Environments è una piattaforma completa progettata per valutare agenti IA in scenari dinamici e realistici. A differenza dei benchmark statici, questa piattaforma introduce ambienti in evoluzione in cui gli agenti devono adattare le proprie strategie man mano che nuove informazioni diventano disponibili, rispecchiando le sfide del mondo reale.
Implementazioni di algoritmi di Reinforcement Learning Multi-Obiettivo.
DeepThinkVLA: Miglioramento delle capacità di ragionamento dei modelli visione-lingua-azione
Implementazione ufficiale di GDPO: ottimizzazione delle politiche mediante normalizzazione disaccoppiata delle ricompense di gruppo per l’ottimizzazione dell’apprendimento per rinforzo multi-ricompensa
Domande frequenti
Qual è il repository #rl più popolare su GitHub?
Il progetto open source #rl più alto in classifica su GitHub è LlamaChinese/Llama-Chinese, con 14,712 stelle. Community cinese Llama, raccoglie in tempo reale gli ultimi materiali di apprendimento su Llama, costruisce il miglior ecosistema open source di modelli di grandi dimensioni Llama in cinese, completamente open source e disponibile per uso commerciale
Quali linguaggi di programmazione sono più utilizzati nei repository #rl?
Tra i progetti #rl più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, C++, Go.
Come viene calcolata la classifica dei repository #rl?
Monitoriamo 47 repository open source attivi contrassegnati con #rl (500+ stelle), per un totale di 119,707 stelle e una media di 2,546 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.