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.
1,6 mil136PythonApache-2.0Actualizado hace 23 horas
Gen-Verse/RSI-Anything
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.
- Estrellas
- 804
- Forks
- 63
- Issues abiertos
- 4
- Último commit
- hace 7 días
¿Qué es?
RSI-Anything es un marco de propósito general construido sobre JEPA-Anything. Conecta en un mismo bucle la generación de candidatos, la selección guiada por predicciones, la evaluación externa y el aprendizaje: una política o flujo de trabajo propone acciones, un modelo del mundo predice sus resultados, las acciones seleccionadas reciben retroalimentación real y las mejoras conservadas guían la siguiente ronda.
El proyecto aplica este ciclo a cinco dominios: reparación de código (CodeContests, APPS Introductory, LiveCodeBench), interacción con GUI (MiniWoB++ y OSWorld), planificación de laboratorio, optimización de reacciones de Suzuki y flujos de trabajo de ciencia inmunológica. Cada adaptador de dominio define sus propios estados, acciones, objetivos de predicción y señales de retroalimentación.
El repositorio incluye una CLI de Python compartida (`rsi`) con comandos para planificar, ejecutar, reanudar e informar sobre experimentos, además de recetas específicas por tarea en `configs/` y guías para configurar el entorno y descargar recursos.
Funciones clave
- 01CLI compartida para planificar, ejecutar, reanudar e informar sobre experimentos
- 02Modelo del mundo predictivo (basado en JEPA) que guía la selección de candidatos
- 03Adaptadores de dominio para reparación de código, GUI, planificación de laboratorio y optimización de reacciones
- 04Recetas por tarea y guías de configuración, con recursos alojados en Hugging Face
Casos de uso
- Investigadores que estudian agentes auto-mejorables con modelos del mundo
- Reproducir experimentos de reparación de código o de agentes de navegador del artículo
- Explorar la selección de acciones guiada por predicciones en flujos de trabajo científicos
Inicio rápido
- 1
Clona el repositorio
git clone https://github.com/Gen-Verse/RSI-Anything.git - 2
Entra en el directorio del proyecto
cd RSI-Anything - 3
Crea y activa un entorno virtual de Python 3.10 o posterior
python3.10 -m venv .venv && source .venv/bin/activate - 4
Instala el flujo de trabajo compartido de línea de comandos y muestra las tareas
python -m pip install -e . && rsi tasks
Antes de usarlo
- Las ejecuciones completas requieren los entornos específicos de cada tarea, los recursos y la configuración de GPU descritos en las guías.
- Los resultados dependen de benchmarks externos y de recursos grandes de Hugging Face, por lo que reproducirlos requiere una configuración considerable.
- El README trata sobre experimentos de investigación, no sobre una herramienta empaquetada para usuarios finales.
Temas
Preguntas frecuentes
- ¿Qué es RSI-Anything?
- 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. RSI-Anything es un marco de propósito general construido sobre JEPA-Anything. Conecta en un mismo bucle la generación de candidatos, la selección guiada por predicciones, la evaluación externa y el aprendizaje: una política o flujo de trabajo propone acciones, un modelo del mundo predice sus resultados, las acciones seleccionadas reciben retroalimentación real y las mejoras conservadas guían la siguiente ronda.
- ¿RSI-Anything es gratuito? ¿Qué licencia tiene?
- RSI-Anything es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿RSI-Anything sigue mantenido?
- Mantenimiento activo. El último commit de RSI-Anything fue el 13 oct 2026.
- ¿Para qué puedo usar RSI-Anything?
- Investigadores que estudian agentes auto-mejorables con modelos del mundo Reproducir experimentos de reparación de código o de agentes de navegador del artículo Explorar la selección de acciones guiada por predicciones en flujos de trabajo científicos
- ¿Cómo se instala RSI-Anything?
- Clona el repositorio: git clone https://github.com/Gen-Verse/RSI-Anything.git Entra en el directorio del proyecto: cd RSI-Anything Crea y activa un entorno virtual de Python 3.10 o posterior: python3.10 -m venv .venv && source .venv/bin/activate Instala el flujo de trabajo compartido de línea de comandos y muestra las tareas: python -m pip install -e . && rsi tasks
- ¿Dónde consigo RSI-Anything?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/Gen-Verse/RSI-Anything
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Unity ML-Agents Toolkit permite usar juegos y simulaciones de Unity como entornos para entrenar agentes de IA mediante aprendizaje por refuerzo e imitación.
IA y Machine Learning#reinforcement-learning#unity#deep-reinforcement-learning#imitation-learning#game-ai
19,8 mil4,5 milC#OtherActualizado hace 7 días
Un framework de Python para optimizar recursivamente harnesses que refina los prompts, las herramientas y la orquestación de un agente LLM fijo en tareas nuevas.
9,2 mil802PythonApache-2.0Actualizado hace 6 días
Un framework del equipo de Terminal-Bench para evaluar y optimizar agentes de IA y modelos de lenguaje en entornos de contenedores.
6,3 mil2 milPythonApache-2.0Actualizado hace 15 horas
Una sala de control en el navegador para ejecutar sociedades de agentes LLM, pausar, hacer preguntas, dirigir y reproducir pueblos simulados paso a paso.
IA y Machine Learning#ai-agents#multi-agent-simulation#llm-agents#social-simulation#human-in-the-loop
1,2 mil136PythonApache-2.0Actualizado hace 18 días
Convierte cualquier Agent Skill en tareas de terminal listas para RL en formato Harbor, con agentes Codex dentro de contenedores Docker.
18518PythonApache-2.0Actualizado hace 18 días