#multi-agent-reinforcement-learning Repositórios
Descubra 19 repositórios ativos de código aberto no GitHub marcados com #multi-agent-reinforcement-learning, acumulando um total de 29,554 estrelas (uma média de 1,555 por projeto). O líder deste tópico é tailcallhq/forgecode, com 7,636 estrelas.
19 repositórios no total
Programador par habilitado por IA para Claude, GPT, O Series, Grok, Deepseek, Gemini e mais de 300 modelos
Uma biblioteca PyTorch modular, que prioriza primitivas e Python, para Aprendizagem por Reforço.
Uma API padrão para ambientes de aprendizado por reforço multiagente, com ambientes de referência populares e utilitários relacionados
Código de geração de ambiente para o artigo "Uso Emergente de Ferramentas a Partir de Autocurrículos Multiagente"
ChatArena (ou Chat Arena) é um Ambiente de Jogos de Linguagem Multiagente para LLMs. O objetivo é desenvolver as capacidades de comunicação e colaboração de IAs.
Apenas um repositório é tudo o que é necessário para a Aprendizagem por Reforço Multiagente (MARL)
XuanCe: Uma Biblioteca Abrangente e Unificada de Aprendizado por Reforço Profundo
🦁 Uma base de código amigável à pesquisa para experimentação rápida de aprendizado por reforço multiagente em JAX
A plataforma Multi-Agent Resource Optimization (MARO) é uma instância de Reinforcement Learning as a Service (RaaS) para problemas de otimização de recursos do mundo real.
Versão leve do MAPPO para ajudar você a migrar rapidamente para o seu ambiente local.
BenchMARL é uma biblioteca para benchmarking de Multi-Agent Reinforcement Learning (MARL). BenchMARL permite comparar rapidamente diferentes algoritmos, tarefas e modelos MARL, ao mesmo tempo que se baseia sistematicamente em seus dois princípios fundamentais: reprodutibilidade e padronização.
RLAnything (ICML 2026) e AutoTool (ICML 2026), DemyAgent: Aprendizado por reforço de código aberto para LLMs e cenários de agentes
Uma extensão da base de código PyMARL que inclui algoritmos adicionais e suporte a ambientes
Ambiente oficial de aprendizado por reforço para resposta à demanda e modelagem de carga
VMAS é um simulador diferenciável vetorizado projetado para o benchmarking eficiente de Aprendizagem por Reforço Multiagente. Ele é composto por um motor de física 2D vetorizado escrito em PyTorch e um conjunto de cenários multirrobô desafiadores. Cenários adicionais podem ser implementados através de uma interface simples e modular.
[ICLR 2026] Um framework para treinamento por reforço e inferência multiagente baseados em LLM
Perguntas Frequentes
Qual é o repositório de #multi-agent-reinforcement-learning mais popular no GitHub?
O projeto de código aberto de #multi-agent-reinforcement-learning mais bem classificado no GitHub é tailcallhq/forgecode, com 7,636 estrelas. Programador par habilitado por IA para Claude, GPT, O Series, Grok, Deepseek, Gemini e mais de 300 modelos
Quais linguagens de programação são mais usadas nos repositórios de #multi-agent-reinforcement-learning?
Entre os projetos de #multi-agent-reinforcement-learning mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Rust.
Como é calculada a classificação dos repositórios de #multi-agent-reinforcement-learning?
Acompanhamos 19 repositórios ativos de código aberto marcados com #multi-agent-reinforcement-learning (com mais de 500 estrelas), totalizando 29,554 estrelas e uma média de 1,555 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.