该论文介绍了 Arcade Learning Environment（ALE），这是一个既是挑战问题又是平台和方法论，用于评估通用、域无关的人工智能技术的发展。ALE 提供了与数百种 Atari 2600 游戏环境的接口，每个环境都不同、有趣且旨在挑战人类玩家。ALE 为强化学习、模型学习、基于模型的规划、仿真学习、迁移学习和内在动机提供了重大的研究挑战，并提供了一个严格的测试平台，用于评估和比较这些问题的方法。

Jul, 2012

本文介绍了 Arena-Web，一个基于 web 的开发和评估套件，用于开发、训练和测试各种机器人平台和场景的 DRL 导航规划器。该界面旨在直观而富有吸引力，为非专业人员提供易于使用的技术，通过 Arena-Web，训练和开发深度强化学习代理人变得简单易行，无需编写一行代码。

Feb, 2023

建立一个高度逼真和可重现的环境，专注于在网站上执行任务的智能代理，提供一组多样化、长期规划、模拟人类在互联网上例行执行的任务的基准任务以评估任务完成的功能正确性。

Jul, 2023

该论文提出了一个现有模拟平台的新分类法，并探讨了通用平台的最高级别类，这些平台可以开发具有丰富的可视化、物理、任务和社交复杂性的学习环境。作者认为，现代游戏引擎非常适合作为通用平台，并以 Unity 引擎和开放源代码 Unity ML-Agents Toolkit 为案例研究。接着，作者调查了 Unity 和 Unity ML-Agents Toolkit 所支持的研究，讨论了灵活、交互和易配置的通用平台可以促进哪些研究。

Sep, 2018

通过开源平台 GenAI-Arena 和统计方法，该研究论文提出一种评估图像和视频生成模型的方法，以更准确地衡量模型性能，并发现现有的多模态模型在评估生成的视觉内容方面存在不足。

Jun, 2024

MAgent 是一个高度可扩展和可定制的平台，支持多智能体强化学习任务和应用程序，并提供可观察和理解个体智能体行为和社会现象的功能，此演示以三个环境为例展示了从零开始学习的集体智能的表现。

Dec, 2017

该文章探讨了 Arcade Learning Environment（ALE） 作为评估平台对研究社区的影响，并重点说明在该平台中评估代理时的一些核心问题。此外，该文章还提出了一些研究方法的最佳实践，并介绍了一个支持多种游戏模式的新版本 ALE，提供了一种被称为粘性操作的随机性。

Sep, 2017

介绍了 DIAMBRA Arena 这个具有高质量环境和遵循 OpenAI Gym 标准 Python API 接口的新学习平台，它支持单人和多人模式，可用于标准的强化学习、多智能体、人工智能和人机协同学习等主题。利用 DIAMBRA Arena 成功地训练出多个深度强化学习智能体，可获得类似人类的行为。结果证实了 DIAMBRA Arena 作为一个研究工具的实用性，提供了设计用于研究该领域中一些最具挑战性主题的环境。

Oct, 2022

DeepMind 的 “博弈论与多智能体团队” 研究了多智能体学习的多个方面，旨在使用深度强化学习探索复杂环境下的多智能体系统，并使用这些基准来推进我们的理解；本文总结了他们最近的工作并提出了一项分类，突显了多智能体研究中许多重要的开放性挑战。

Sep, 2022

创建具备适应任意软件在任何数字设备上运行的自主虚拟代理人仍然是人工智能的一个重大挑战。为了解决这个问题，我们介绍了 AgentStudio，这是一个在线、逼真且多模态的工具包，涵盖了代理人开发的整个生命周期，包括环境设置、数据收集、代理人评估和可视化等。

Mar, 2024