AgileRL
★ 921
vs
on-policy
★ 2.0k
AgileRL vs on-policy
AgileRL：AgileRL 是一个深度强化学习库，通过引入 RLOps（强化学习的 MLOps）来简化开发。它利用开创性的进化技术显著缩短训练时间和超参数优化过程，比现有最先进的方法快10倍。；on-policy：该存储库实现了MAPPO，一种PPO的多智能体变体，广泛应用于合作多智能体游戏和研究。它为星际争霸II、花火和谷歌足球等多种多智能体环境提供了健壮的实现，并附有详细的训练脚本和超参数指南。
01
简评
选 AgileRL 如果…在标准 Gymnasium 环境中训练单智能体任务。
选 on-policy 如果…合作多智能体强化学习的研究与实验
02
并排对比
03
功能特性
AgileRL01集成 RLOps，简化强化学习开发。
02开创性的进化超参数优化 (HPO) 技术。
03全面支持可进化的在策略、离策略、离线、多智能体和上下文多臂老虎机算法。
04支持分布式训练。
05提供大语言模型 (LLM) 微调算法。
on-policy01MAPPO（多智能体PPO）的实现
02支持多样化的多智能体环境（如星际争霸II、花火）
03提供各种场景的即用型训练脚本
04详细的超参数指导和最新结果
05默认支持智能体间的共享策略
04
使用场景
AgileRL↳在标准 Gymnasium 环境中训练单智能体任务。
↳在 PettingZoo 环境中开发多智能体强化学习解决方案。
↳使用强化学习算法微调大语言模型 (LLM)。
on-policy↳合作多智能体强化学习的研究与实验
↳评估PPO在多智能体强化学习场景中的有效性
↳为星际争霸II和花火等流行多智能体游戏训练AI智能体
05
适合场景
AgileRL时下流行宝藏工具
on-policy时下流行强化学习多智能体AI
FAQ
常见问题
AgileRL 和 on-policy 有什么区别？
AgileRL 和 on-policy 都属于 LLM Infra 类别。AgileRL 有 921 Stars，on-policy 有 2.0k Stars。
AgileRL 和 on-policy 哪个更好？
最佳选择取决于你的具体需求。在标准 Gymnasium 环境中训练单智能体任务。 时选 AgileRL，合作多智能体强化学习的研究与实验 时选 on-policy。
AgileRL 是免费的吗？
是的，AgileRL 在 GitHub 开源。
on-policy 是免费的吗？
是的，on-policy 在 GitHub 开源（MIT）。
→