論文の概要: Agentopia: Long-Term Life Simulation and Learning in Agent Societies

• arxiv url: http://arxiv.org/abs/2606.07513v1
• Date: Fri, 05 Jun 2026 17:59:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.887932
• Title: Agentopia: Long-Term Life Simulation and Learning in Agent Societies
• Title（参考訳）: Agentopia:エージェント・ソサイエティにおける長期的生命シミュレーションと学習
• Authors: Xintao Wang, Sirui Zheng, Hongqiu Wu, Weiyuan Li, Jen-tse Huang, Minghao Zhu, Can Zu, Qi Deng, Jiawei Wang, Qianyu He, Heng Wang, Xiaojian Wu, Yunzhe Tao,
• Abstract要約: エージェント社会における長期生活シミュレーションとLLM学習について検討する。 我々は,マルチエージェント社会における長期生活シミュレーションのための総合的なフレームワークであるAgentopiaについて紹介する。
• 参考スコア（独自算出の注目度）: 44.19893560616865
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Humans learn from social life. Simulating this process with LLM-powered agents represents a promising research direction, raising a natural question: whether LLMs can learn from such simulated social experience to better understand and replicate human behavior. However, prior agent society simulations typically operate at the scale of days, limiting the depth of social interactions and long-term growth. In this paper, we study long-term life simulation and LLM learning in agent societies, with two goals: (1) investigating social behaviors that emerge from life-long simulation, and (2) developing anthropomorphic capabilities in LLMs, particularly intelligence in social life, through years of simulated social experience. Specifically, we present Agentopia, a comprehensive framework for long-term life simulation in multi-agent societies, where 100 agents autonomously pursue personal growth, develop social relationships, and fulfill their needs and goals over 10 simulated years. We define life reward to mirror human well-being, and leverage this reward to train LLMs via rejection sampling. Extensive experiments show that agents exhibit rich emergent social behaviors. Furthermore, life reward training effectively enhances the underlying LLM, which leads to improved agent well-being in simulation, and generalizes to downstream role-playing benchmarks with +15.6% improvement.
• Abstract（参考訳）: 人間は社会生活から学ぶ。 この過程をLLMを利用したエージェントでシミュレーションすることは有望な研究の方向性を示し、LLMがこのようなシミュレートされた社会的経験から学び、人間の行動をよりよく理解し、再現できるかどうかという自然な疑問を提起する。 しかし、従来のエージェント・ソサエティ・シミュレーションは通常、日々の規模で運用され、社会的相互作用の深さと長期的な成長を制限する。 本稿では, エージェント社会における長期生活シミュレーションとLLM学習について, 1) 生涯シミュレーションから生じる社会行動の調査, (2) 社会生活における人為的能力, 特に社会生活における知能の発達, の2つの目標について検討する。 具体的には,多エージェント社会における長期的生命シミュレーションのための包括的枠組みであるAgenopiaを紹介し,100人のエージェントが自律的に自己成長を追求し,社会的関係を発達させ,そのニーズと目標を10年間にわたって達成する。 我々は,人間の幸福を反映した生活報酬を定義し,この報酬をリジェクションサンプリングを通じてLLMのトレーニングに活用する。 大規模な実験により、エージェントは豊富な創発的な社会的行動を示すことが示された。 さらに、ライフ報酬トレーニングは、基礎となるLLMを効果的に強化し、エージェントの幸福性を改善し、+15.6%の改善で下流ロールプレイングベンチマークに一般化する。

関連論文リスト

• Leveraging LLM-based agents for social science research: insights from citation network simulations [132.4334196445918]
  CiteAgentフレームワークを導入し、人間-行動シミュレーションに基づく引用ネットワークを生成する。 CiteAgentは、実世界の引用ネットワークにおける主要な現象を捉えている。 社会科学において2つのLCMに基づく研究パラダイムを確立し,既存の理論の検証と挑戦を可能にした。
  論文  参考訳（メタデータ） (2025-11-05T08:47:04Z)
• Social Simulations with Large Language Model Risk Utopian Illusion [61.358959720048354]
  社会シミュレーションにおける大規模言語モデルの行動分析のための体系的枠組みを提案する。 本手法は,チャットルーム型会話を通してマルチエージェントインタラクションをシミュレートし,5つの言語的側面にわたって解析する。 以上の結果から,LSMは真の人間の行動を忠実に再現するのではなく,過度に理想化されたバージョンを反映していることが明らかとなった。
  論文  参考訳（メタデータ） (2025-10-24T06:08:41Z)
• Population-Aligned Persona Generation for LLM-based Social Simulation [58.84363795421489]
  本稿では,社会シミュレーションのための高品質な集団対応ペルソナ集合を合成するための体系的枠組みを提案する。 我々のアプローチは、長期のソーシャルメディアデータから物語的ペルソナを生成するために、大きな言語モデルを活用することから始まる。 特定のシミュレーションコンテキストのニーズに対処するために,対象のサブポピュレーションに対してグローバルに整合したペルソナを適応させるタスク固有モジュールを提案する。
  論文  参考訳（メタデータ） (2025-09-12T10:43:47Z)
• Modeling Earth-Scale Human-Like Societies with One Billion Agents [54.465233996410156]
  Light Societyはエージェントベースのシミュレーションフレームワークである。 社会的プロセスはエージェントと環境状態の構造的遷移として形式化される。 10億以上のエージェントによる社会の効率的なシミュレーションを支援する。
  論文  参考訳（メタデータ） (2025-06-07T09:14:12Z)
• From ChatGPT to DeepSeek: Can LLMs Simulate Humanity? [32.93460040317926]
  大規模言語モデル(LLM)は、複雑な人間の社会的行動を探究するための有望な方法となっている。 最近の研究では、シミュレートされた相互作用と現実世界の相互作用の相違が強調されている。
  論文  参考訳（メタデータ） (2025-02-25T13:54:47Z)
• Exploring Prosocial Irrationality for LLM Agents: A Social Cognition View [21.341128731357415]
  大規模言語モデル(LLM)は、人間のバイアスを頻繁に含んでいるデータのために幻覚に直面することが示されている。 幻覚特性を利用してLLMエージェントのソーシャルインテリジェンスを評価し,強化するオープンエンドマルチLLMエージェントフレームワークであるCogMirを提案する。
  論文  参考訳（メタデータ） (2024-05-23T16:13:33Z)
• Is this the real life? Is this just fantasy? The Misleading Success of Simulating Social Interactions With LLMs [24.613282867543244]
  大規模言語モデル(LLM)はより豊かな社会シミュレーションを可能にし、様々な社会現象の研究を可能にしている。 最近の研究は、これらのシミュレーションについて、人間とAIエージェントが現実世界で関与する不完全で情報非対称な相互作用と、基本的には異なっています。
  論文  参考訳（メタデータ） (2024-03-08T03:49:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。