arXiv cs.CY· Patrick Zhao, Yuxuan Li, Hirokazu Shirado·· 12 小时前AI 评分31
Model Capacity Frontier：面向 LLM 支持的社会模拟的开发框架
Model Capacity Frontier: A Development Framework for LLM-Supported Social Simulation
AI 导读
研究者提出 Model Capacity Frontier（MCF）框架，用于刻画指定架构在其可行配置范围内可达到的经验性能，并在多目标设定下用估计的 Pareto 前沿表示。该框架在约 12,000 个智能体的大学毕典人群模拟中验证：初步集成 LLM 改善了流动方向，但降低了时间占用与空间分布表现；随后对 LLM 层的架构改进提升了时间占用并恢复空间表现，同时保留了流动方向上的大部分增益。
正文 · AI 翻译
摘要：大型语言模型（LLM）智能体正越来越多地被纳入基于智能体的模型（ABM）中，其前提是更丰富、对上下文敏感的人类行为能够提升实证保真度。然而，LLM 支持的 ABM 引入了一个开放式的设计空间，其中诸如提示设计和环境耦合等细微的建模与配置选择，都可能显著改变结果。因此，开发用于模拟人类集体行为的 LLM 支持的 ABM，需要在应对配置敏感性的同时，识别当前模型架构的局限性。本文提出了模型容量前沿（MCF）框架，用于刻画特定架构在其可允许配置下所能达到的实证性能。在多目标设定中，这种容量由通过系统性配置探索获得的估计帕累托前沿来表示。我们在约 12,000 个智能体的大学开学典礼人群模拟中演示了 MCF，使用了关于时间占用、空间分布和流动方向的实证移动数据。我们首先刻画了传统人群模型的容量，然后评估了相继的 LLM 支持的架构扩展。在此过程中，MCF 揭示了可达性能的哪些维度得到扩展、哪些仍然受限，为改进和重新评估提供了实证目标。初始的 LLM 集成改善了流动方向，但降低了时间占用和空间分布；随后对 LLM 层的架构改进提升了时间占用并恢复了空间性能，同时保留了先前在流动方向上的大部分增益。我们的案例研究表明，MCF 如何指导 LLM 支持的 ABM 在配置敏感、开放式的设计空间中进行系统性的架构开发。
| 学科： | 多智能体系统（cs.MA）；人工智能（cs.AI）；计算机与社会（cs.CY） |
| 引用为： | arXiv:2610.24168 [cs.MA] |
| （或 arXiv:2610.24168v2 [cs.MA] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.24168 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Patrick Zhao [查看邮箱]
[v1]
2026 年 10 月 16 日星期五 19:45:06 UTC（10,564 KB）
[v2]
2026 年 10 月 20 日星期二 21:58:48 UTC（10,564 KB）
来源：arXiv cs.CY · arxiv.org