BenchMARL es una biblioteca para evaluar el Aprendizaje por Refuerzo Multi-Agente (MARL). BenchMARL permite comparar rápidamente diferentes algoritmos, tareas y modelos de MARL mientras se fundamenta sistemáticamente en sus dos principios básicos: reproducibilidad y estandarización.
Compara y evalúa diferentes algoritmos y tareas de aprendizaje por refuerzo multiagente utilizando esta biblioteca especializada.
Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.
Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.
Gratis · sin tarjeta · cancela cuando quierasBenchMARL es una biblioteca para evaluar el Aprendizaje por Refuerzo Multi-Agente (MARL). BenchMARL permite comparar rápidamente diferentes algoritmos, tareas y modelos de MARL mientras se fundamenta sistemáticamente en sus dos principios básicos: reproducibilidad y estandarización.
BenchMARL tiene 647 estrellas en GitHub. Se ha bifurcado 134 veces. BenchMARL está escrito principalmente en Python. Se desarrolla activamente desde 2023. BenchMARL está disponible bajo la licencia MIT. Sus temas principales son: benchmark, machine-learning, marl, multi-agent.
BenchMARL es una biblioteca para evaluar el Aprendizaje por Refuerzo Multi-Agente (MARL). BenchMARL permite comparar rápidamente diferentes algoritmos, tareas y modelos de MARL mientras se fundamenta sistemáticamente en sus dos principios básicos: reproducibilidad y estandarización.
BenchMARL es un proyecto de código abierto. Se distribuye bajo la licencia MIT.
Sí. BenchMARL es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.
BenchMARL está disponible bajo la licencia MIT.
BenchMARL está escrito principalmente en Python.
Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.
[](https://opensourceai.tech/project/facebookresearch-benchmarl.html)
Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.