Эта страница была автоматически переведена с английского языка. Посмотреть оригинал на английском.
Python разработчики, исследователи и инженеры, реализующие модели непрерывного состояния Active Inference.
Протестированная, задокументированная непрерывная Active Inference библиотека на Python.
Руководить: Daniel Corva
cpomdp является открытой Python библиотекой для непрерывного состояния Active Inference. Она предоставляет передачу сообщений по графу факторов, фильтрацию Кальмана и ссылку, состояние-зависимый наблюдательный и процессорный шум, сертификабельные толерантности и сопоставленные классические контрольные базы.
cpomdp приносит строгую непрерывную Active Inference в Python. Агенты поддерживают гауссово убеждение над непрерывными скрытыми состояниями, обновляют его посредством обмена сообщениями на факторных графах типа Forney и выбирают действия путем минимизации ожидаемой свободной энергии над объявленными наборами действий с сертифицированными допусками варанта.
Вкладчики, заинтересованные в численных методах анализа, ядре JAX/NumPy, фильтрации Кальмана и непрерывном генеративном моделировании, приглашаются к участию через Discord и GitHub.
Библиотека разрабатывается в открытом доступе: исходный код на GitHub, документация на cpomdp.inferogenesis.com, и релизы публикуются в PyPI как cpomdp. Первая связанная статья, «State-Dependent Observation Noise Reintroduces Epistemic Value in Linear-Gaussian Active Inference» (arXiv:2607.20306, 2026), излагает результат, который реализует обработка состояния-зависимого шума библиотеки.
Связанные ресурсы
Audience: Newcomer
Primary public community channel for conversation, coordination, and newcomer orientation.
Audience: Researcher
Public ecosystem shortlink for Institute context, projects, activities, and conceptual maps.
Audience: Developer
Source repository for the cpomdp continuous-state Active Inference library.
Audience: Developer
Documentation for the cpomdp library: API reference, tutorials, and worked examples.
Audience: Developer
Released cpomdp packages on the Python Package Index, installable with pip.
Audience: Researcher
Preprint showing that state-dependent observation noise reintroduces epistemic value in linear-Gaussian Active Inference; the result cpomdp implements.