#rl Repositórios
Descubra 47 repositórios ativos de código aberto no GitHub marcados com #rl, acumulando um total de 119,707 estrelas (uma média de 2,546 por projeto). O líder deste tópico é LlamaChinese/Llama-Chinese, com 14,712 estrelas.
47 repositórios no total
A Comunidade Llama em Chinês agrega em tempo real os materiais de estudo Llama mais recentes, construindo o melhor ecossistema de código aberto para o Grande Modelo Llama em chinês, sendo totalmente open source e comercialmente utilizável.
Dopamine é uma estrutura de pesquisa para prototipagem rápida de algoritmos de aprendizado por reforço.
Treinador de Reforço de Agentes: treine agentes de várias etapas para tarefas do mundo real usando GRPO. Dê aos seus agentes treinamento no trabalho. Aprendizado por reforço para Qwen3.6, GPT-OSS, Llama e muito mais!
EasyR1: Uma Estrutura de Treinamento de RL Multi-Modal, Eficiente e Escalável, baseada em veRL
🚀 Um currículo de código aberto e prático que preenche a lacuna desde conceitos básicos de RL até alinhamento de LLM, RLVR e sistemas Agentic avançados.
agent-sandbox permite gerenciar facilmente cargas de trabalho isoladas, com estado e de instância única, sendo ideal para casos de uso como ambientes de execução de agentes de IA e aprendizado por reforço (RL).
Uma biblioteca PyTorch modular, que prioriza primitivas e Python, para Aprendizagem por Reforço.
Uma implementação do algoritmo AlphaZero para Gomoku (também chamado Gobang ou Cinco em Linha)
Abrange dados de pré-treinamento, tokenizadores, Transformers, MoE, treinamento distribuído, leis de escalabilidade, inferência e alinhamento. 6 tarefas de programação progressivas para aprender LLMs de ponta a ponta.
Um framework de treinamento para agentes de aprendizado por reforço Stable Baselines3, incluindo otimização de hiperparâmetros e agentes pré-treinados.
Uma Pesquisa sobre Aprendizagem por Reforço para Grandes Modelos de Raciocínio
Implementação de todos os algoritmos de RL de uma forma mais simples
[ICLR 2026] SimpleVLA-RL: Escalando o Treinamento VLA via Aprendizado por Reforço
A pilha de melhoria contínua para agentes. Nossos dados de ambiente e avaliações impulsionam a melhoria e o monitoramento de agentes.
Tensorlake é um runtime serverless para sandboxes e implantação de aplicações agentic em background
‘AI-Compass’ guiará a comunidade na navegação pelo oceano da tecnologia IA. Se você é um iniciante ou um desenvolvedor avançado, encontrará aqui caminhos para todas as grandes direções da IA. O objetivo é ajudar os desenvolvedores a compreenderem sistematicamente os conceitos-chave da IA, as tecnologias predominantes, as tendências de ponta e, por meio da prática, dominar todo o processo desde a teoria até a aplicação.
Sistemas de Inteligência de Risco Nativos de IA, OpenDeRisk — O seu gestor inteligente de risco para sistemas de aplicação oferece proteção abrangente e aprofundada 24 horas por dia, 7 dias por semana.
Uma coleção curada de artigos, relatórios técnicos, frameworks e ferramentas para destilação on-policy (OPD) de grandes modelos de linguagem
[EMNLP 2026] MobileGym: Uma plataforma de simulação verificável e altamente paralela para pesquisa de agentes de GUI móvel · Simulador de Android executado no navegador · Avaliação verificável · Treinamento escalável de RL online
Plataforma de robô humanoide de código aberto impressa em 3D para sim-para-real e RL
Pacote Contrib para Stable-Baselines3 - Código experimental de aprendizado por reforço (RL)
Repositório oficial de DR Tulu: Aprendizagem por Reforço com Rubricas Evolutivas para Pesquisa Profunda
Uma lista selecionada de artigos sobre busca em árvores de Monte Carlo com implementações.
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.
Plataforma de Pesquisa de IA para Aprendizagem por Reforço a partir de Imagens Panorâmicas Reais.
Implementação de algoritmos de Aprendizagem por Reforço Inversa (IRL) em Python/Tensorflow. Deep MaxEnt, MaxEnt, LPIRL
Últimos Avanços no Raciocínio de Cadeia de Pensamento Longa
📘 O rastreador de experimentos para o treinamento de modelos de fundação
Implementações de ROS2-Control para robôs quadrúpedes, inclui sim2real
O Meta Agents Research Environments é uma plataforma abrangente projetada para avaliar agentes de IA em cenários dinâmicos e realistas. Ao contrário de benchmarks estáticos, esta plataforma introduz ambientes em evolução onde os agentes devem adaptar suas estratégias à medida que novas informações se tornam disponíveis, espelhando desafios do mundo real.
Implementações de algoritmos de Aprendizado por Reforço Multi-Objetivo.
DeepThinkVLA: Aprimorando a Capacidade de Raciocínio de Modelos Visão-Linguagem-Ação
Implementação oficial do GDPO: otimização de políticas com normalização desacoplada das recompensas de grupo para otimização de aprendizado por reforço com múltiplas recompensas
Perguntas Frequentes
Qual é o repositório de #rl mais popular no GitHub?
O projeto de código aberto de #rl mais bem classificado no GitHub é LlamaChinese/Llama-Chinese, com 14,712 estrelas. A Comunidade Llama em Chinês agrega em tempo real os materiais de estudo Llama mais recentes, construindo o melhor ecossistema de código aberto para o Grande Modelo Llama em chinês, sendo totalmente open source e comercialmente utilizável.
Quais linguagens de programação são mais usadas nos repositórios de #rl?
Entre os projetos de #rl mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, C++, Go.
Como é calculada a classificação dos repositórios de #rl?
Acompanhamos 47 repositórios ativos de código aberto marcados com #rl (com mais de 500 estrelas), totalizando 119,707 estrelas e uma média de 2,546 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.