論文の概要: Poor Man's Agentic Modeling: Simulating Large LLM-Agent Societies on a Laptop

• arxiv url: http://arxiv.org/abs/2608.11215v1
• Date: Sun, 19 Jul 2026 08:44:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 01:32:04.576851
• Title: Poor Man's Agentic Modeling: Simulating Large LLM-Agent Societies on a Laptop
• Title（参考訳）: 貧乏人のエージェント・モデリング:ラップトップ上でのLLM-Agent Societiesのシミュレーション
• Abstract要約: 数百のエージェントを用いた大規模言語モデル社会のシミュレーションを作成する。 我々は、知覚と記憶を有効理論にマッピングし、サロゲート誤差の予測$N$-trendを予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulating societies of many large language model (LLM) agents is expensive, yet the questions asked of such simulations are usually macroscopic: phase behaviour, stylised facts, and scaling with the number of agents $N$, not the cognition of any single agent. We turn a statistical-physics observation into a method: replace each LLM agent by a low-parameter model fitted from a few hundred to a few thousand cheap queries, then run the society at any $N$ on a laptop. Whether this works is decided before the simulation runs, chiefly by what each agent perceives. We introduce an [interaction order x memory] taxonomy that maps perception and memory to an effective theory and a predicted $N$-trend of the surrogate error. We validate it on a faithful reimplementation of the LLM macroeconomy EconAgent and seven further named LLM simulations, with agent decisions cloned from genuine LLM elicitations (primarily DeepSeek) for a few dollars; the predicted error trends hold cell by cell, and the two refuted predictions, both on a strongly saturating response and traced to its curvature, are themselves matched quantitatively by the theory with no free parameters.
• Abstract（参考訳）: 多くの大規模言語モデル(LLM)エージェントの社会のシミュレーションは高価であるが、そのようなシミュレーションに関する質問は通常マクロ的である。 LLMエージェントを数百ドルから数千ドルの安価なクエリで満たした低パラメータモデルで置き換え、その後、ノートパソコンでN$で社会を運営します。 シミュレーションが実行される前に、この動作が決定されるかどうかは、主に各エージェントが知覚するものによって決定される。 我々は,知覚と記憶を効果的な理論にマッピングする[相互作用順序 x メモリ]分類法と,代理誤差の予測$N$-trendを導入する。 我々は, LLMマクロエコノミー EconAgent の忠実な再実装と, さらに7つの LLM シミュレーションにより, 真の LLM エリケーション (主に DeepSeek ) から数ドルでクローンされたエージェント決定, セル毎の予測誤差傾向, 強く飽和した応答と曲率に追従した2つの反響予測をそれぞれ, 自由パラメータを持たない理論によって定量的に一致させることを検証した。

関連論文リスト

• Scaling Multi-Agent Systems with Prospect-State Propagation [8.564207831867272]
  シミュレーション中にエージェントの不均一性が徐々に減少する現象を示す。 プロスペクト理論に触発されて、PspMASは各エージェントのミクロ状態をコンパクトなプロスペクト状態と表現力のあるセマンティック状態に分離する。 これら2つのコンポーネントは相補的に動作し、スケーラブルなLLMベースのマルチエージェントシミュレーションソリューションを提供する。
  論文  参考訳（メタデータ） (2026-09-07T22:30:12Z)
• Attributing Emergence in Million-Agent Systems [68.53670424791751]
  大規模言語モデル(LLM)は、個々のエージェントにおける人間のような推論と意思決定をシミュレートすることができる。 このような研究は、個々のエージェントにマクロな出現をもたらす必要がある。 Aumann--Shapley path-integral attribution to LLM-powered MAS at million-agent scale。
  論文  参考訳（メタデータ） (2026-05-12T01:49:41Z)
• ReDAct: Uncertainty-Aware Deferral for LLM Agents [61.507376922278894]
  本稿では、逐次意思決定問題を解決するためにReDAct(Reason-Defer-Act)を提案する。 ReDActでは、エージェントは2つのLSMを備えている: デフォルトで使用される小型で安価なモデルと、大きくて信頼性が高くて高価なモデルである。 提案手法では,大モデルに対する決定の約15%のみを遅延させることで,推論コストを大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2026-04-08T12:51:01Z)
• Tractable Asymmetric Verification for Large Language Models via Deterministic Replicability [0.6117371161379209]
  大規模言語モデル(LLM)の展望は、動的でマルチエージェントなシステムへと急速にシフトします。 本稿では, トラクタブルな非対称な作業を実現するための検証フレームワークを提案する。 対象検定は全再生の12倍以上の速さで行うことができる。
  論文  参考訳（メタデータ） (2025-09-14T03:30:06Z)
• Integrating Counterfactual Simulations with Language Models for Explaining Multi-Agent Behaviour [35.19786322586909]
  AXIS(Interrogative Simulation)を用いたエージェントeXplanationを提案する。 AXISはマルチエージェントポリシーのための人間中心のアクション説明を生成する。 自動運転車のAXISを10シナリオで5 LLMで評価した。
  論文  参考訳（メタデータ） (2025-05-23T12:19:18Z)
• MALT: Improving Reasoning with Multi-Agent LLM Training [67.76186488361685]
  MALT(Multi-Agent LLM Training)は、推論プロセスを生成、検証、改善ステップに分割する、新しいポストトレーニング戦略である。 MATH、GSM8K、CSQAでは、MALTは、それぞれ15.66%、7.42%、9.40%の相対的な改善で同じベースラインLLMを上回っている。
  論文  参考訳（メタデータ） (2024-12-02T19:30:36Z)
• GenSim: A General Social Simulation Platform with Large Language Model based Agents [111.00666003559324]
  我々はtextitGenSim と呼ばれる新しい大規模言語モデル (LLM) ベースのシミュレーションプラットフォームを提案する。 我々のプラットフォームは10万のエージェントをサポートし、現実世界のコンテキストで大規模人口をシミュレートする。 我々の知る限り、GenSimは汎用的で大規模で修正可能な社会シミュレーションプラットフォームに向けた最初の一歩である。
  論文  参考訳（メタデータ） (2024-10-06T05:02:23Z)
• Relational Reasoning via Set Transformers: Provable Efficiency and Applications to MARL [154.13105285663656]
  置換不変エージェントフレームワークを用いたMARL(Multi-A gent R einforcement Learning)は,実世界のアプリケーションにおいて大きな実証的成功を収めた。 残念なことに、このMARL問題の理論的理解は、多くのエージェントの呪いと、既存の著作における関係推論の限定的な探索によって欠落している。 モデルフリーアルゴリズムとモデルベースアルゴリズムの最適度差は各エージェント数に独立して対数的であり、多くのエージェントの呪いを和らげる。
  論文  参考訳（メタデータ） (2022-09-20T16:42:59Z)
• ERMAS: Becoming Robust to Reward Function Sim-to-Real Gaps in Multi-Agent Simulations [110.72725220033983]
  Epsilon-Robust Multi-Agent Simulation (ERMAS)は、このようなマルチエージェントのsim-to-realギャップに対して堅牢なAIポリシーを学ぶためのフレームワークである。 ERMASは、エージェントリスク回避の変化に対して堅牢な税政策を学び、複雑な時間シミュレーションで最大15%社会福祉を改善する。 特に、ERMASは、エージェントリスク回避の変化に対して堅牢な税制政策を学び、複雑な時間シミュレーションにおいて、社会福祉を最大15%改善する。
  論文  参考訳（メタデータ） (2021-06-10T04:32:20Z)

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。