Frameworks y entornos de aprendizaje por refuerzo: los mejores de 2026

Aplicación de escritorio de código abierto e interfaz web para ejecutar, ajustar y exportar LLMs y modelos de difusión localmente, además de una biblioteca de entrenamiento basada en código.

Framework unificado para ajustar eficientemente más de 100 LLM y VLM con una CLI y una interfaz web sin código.

Plataforma de inversión cuantitativa orientada a la IA de Microsoft, que abarca datos, entrenamiento de modelos, backtesting y ejecución de órdenes para la investigación cuantitativa.

Ray es un framework unificado para escalar aplicaciones de Python e IA desde una laptop hasta un clúster, con un runtime distribuido y bibliotecas de IA.

verl es una biblioteca open source de entrenamiento por aprendizaje por refuerzo para el postentrenamiento de modelos de lenguaje grandes, basada en el artículo HybridFlow.

Unity ML-Agents Toolkit permite usar juegos y simulaciones de Unity como entornos para entrenar agentes de IA mediante aprendizaje por refuerzo e imitación.

Una biblioteca de Hugging Face para el postentrenamiento de modelos de lenguaje transformer con SFT, GRPO, DPO, KTO y modelado de recompensas.

Framework ligero de RL agéntico de Microsoft para entrenar agentes de IA existentes mediante aprendizaje por refuerzo, conservando sus herramientas y harnesses reales.

Framework de Python de código abierto para aplicar deep reinforcement learning al trading automatizado de acciones y a tareas de gestión de portafolios.

Framework de ajuste fino, entrenamiento, inferencia y despliegue para más de 600 modelos de lenguaje grandes y más de 400 modelos multimodales, compatible con SFT, DPO y GRPO.

Motor de física de propósito general para simular con rapidez y precisión cuerpos articulados en contacto, muy utilizado en investigación de robótica y aprendizaje automático.

Implementaciones en PyTorch de algoritmos de aprendizaje por refuerzo, diseñadas como una base fiable y coherente para la investigación y las aplicaciones.

Una API estándar de Python para entornos de aprendizaje por refuerzo de un solo agente, junto con entornos de referencia; es una bifurcación de Gym de OpenAI.

Framework gratuito y de código abierto para ajustar y realizar el posentrenamiento de modelos de lenguaje grandes mediante archivos YAML.

Guía y código en PyTorch para entrenar desde cero un LLM transformer, desde el preentrenamiento hasta SFT, modelado de recompensas, DPO/PPO/GRPO y generación.

Framework de RL en Python que entrena agentes LLM de varios pasos con su propia experiencia mediante GRPO y se integra con aplicaciones existentes gracias a su arquitectura cliente-servidor.

Framework basado en Ray y vLLM para RLHF y entrenamiento de agentes con modelos grandes de lenguaje y de visión y lenguaje.

Software open source en Rust para controlar un pequeño robot pato bípedo, con control de movimiento, gamepad, actualizaciones y transmisión de video desde la cámara.

Un framework del equipo de Terminal-Bench para evaluar y optimizar agentes de IA y modelos de lenguaje en entornos de contenedores.

Framework de código abierto para entrenar agentes LLM con aprendizaje por refuerzo, compatible con cualquier harness de agentes, sandbox y backend de entrenamiento.

Sistema de aprendizaje por refuerzo asíncrono a gran escala para entrenar modelos LLM de razonamiento y agentes, con entrenamiento RL de agentes de caja negra mediante un cambio de base_url.

Colección bilingüe de más de 100 diagramas originales que explican LLM, RL, RLHF, DPO, GRPO y algoritmos relacionados con modelos grandes.

Biblioteca open source de LLM basada en JAX y una implementación de referencia para preentrenar y postentrenar modelos grandes en TPUs y GPUs de Google Cloud.

Un breve libro introductorio sobre aprendizaje por refuerzo, desde los fundamentos hasta algoritmos aplicados, con implementaciones en PyTorch en el repositorio.

Framework abierto para crear agentes encarnados que usan planificadores LLM, modelos VLA de manipulación y memoria para realizar tareas robóticas en simuladores y robots reales.

Un marco de investigación que usa predicciones de modelos del mundo y retroalimentación de la interacción para impulsar la automejora recursiva en reparación de código, tareas de GUI y planificación de laboratorio.

Agente de aprendizaje por refuerzo de código abierto para jugar GuanDan de forma competitiva, con una mesa web jugable.

ASPIRE es un framework en el que agentes de programación perfeccionan iterativamente habilidades reutilizables para robots, en tareas de manipulación simuladas y reales, en lugar de entrenar los pesos del modelo.

Juego de cartas Fight the Landlord hecho en Go, con multijugador en línea, reconexión, bots inteligentes y repartos totalmente aleatorios, sin algoritmos que controlen las cartas.

Simulador en Python de redes de comunicación para enjambres de UAV, con modelos de enrutamiento, MAC, capa física, movilidad y energía.

Convierte cualquier Agent Skill en tareas de terminal listas para RL en formato Harbor, con agentes Codex dentro de contenedores Docker.