論文の概要: Model Capacity Frontier: A Development Framework for LLM-Supported Social Simulation

• arxiv url: http://arxiv.org/abs/2610.24168v2
• Date: Tue, 20 Oct 2026 21:58:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:05.975638
• Title: Model Capacity Frontier: A Development Framework for LLM-Supported Social Simulation
• Title（参考訳）: モデルキャパシティフロンティア: LLM対応社会シミュレーションのための開発フレームワーク
• Abstract要約: 特定のアーキテクチャで達成可能な経験的性能を特徴付けるフレームワークであるモデル容量フロンティア(MCF)を紹介する。 構成に敏感でオープンな設計空間において,MDF が LLM をサポートする ABM の体系的アーキテクチャ開発をどのように導くかを示す。
• 参考スコア（独自算出の注目度）: 12.203366267017737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) agents are increasingly incorporated into agent-based models (ABMs) on the premise that richer, context-sensitive human behavior can improve empirical fidelity. However, LLM-supported ABMs introduce an open-ended design space in which subtle modeling and configuration choices, such as prompt design and environment coupling, can substantially alter outcomes. Developing LLM-supported ABMs to simulate human collective behavior therefore requires navigating configuration sensitivity while identifying the limitations of the current model architecture. In this paper, we introduce the Model Capacity Frontier (MCF), a framework that characterizes the empirical performance attainable by a specified architecture across its admissible configurations. In multi-objective settings, this capacity is represented by an estimated Pareto frontier obtained through systematic configuration exploration. We demonstrate MCF in crowd simulation of university commencement events with approximately 12,000 agents, using empirical movement data on temporal occupancy, spatial distribution, and flow direction. We first characterize the capacity of a conventional crowd model and then evaluate successive LLM-supported architectural extensions. In the process, MCF reveals which dimensions of attainable performance expand and which remain limited, providing empirical targets for refinement and re-evaluation. Initial LLM integration improves flow direction but degrades temporal occupancy and spatial distribution; subsequent architectural refinement of the LLM layer improves temporal occupancy and recovers spatial performance, while retaining much of the earlier gain in flow direction. Our case study shows how MCF guides the systematic architectural development of LLM-supported ABMs in configuration-sensitive, open-ended design spaces.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、よりリッチで文脈に敏感な人間の行動が経験的忠実性を改善するという前提のもと、エージェントベースモデル(ABM)に徐々に組み込まれている。 しかし、LCMが支援するABMは、迅速な設計や環境結合のような微妙なモデリングと構成の選択肢が、成果を著しく変えることができるオープンエンドデザイン空間を導入している。 したがって、人間の集団行動をシミュレートするためにLLMをサポートするABMを開発するには、現在のモデルアーキテクチャの限界を特定しながら構成感度をナビゲートする必要がある。 本稿では,モデル容量フロンティア(MCF, Model Capacity Frontier)について紹介する。 多目的設定では、この容量は系統的な構成探索によって得られた推定されたパレートフロンティアによって表現される。 我々は,約12,000人のエージェントによる大学卒業イベントの群集シミュレーションにおいて,時間的占有率,空間分布,流れ方向に関する経験的動きデータを用いて,MCFを実演する。 まず,従来の群集モデルのキャパシティを特徴付けるとともに,LLMをサポートするアーキテクチャ拡張を連続的に評価する。 このプロセスにおいて、MCFは達成可能なパフォーマンスのどの次元が拡大し、どの次元が制限され続けるかを明らかにし、改善と再評価のための実証的な目標を提供する。 初期LLM統合は流れ方向を改善するが、時間的占有率と空間分布を低下させ、その後のLLM層のアーキテクチャ改善は時間的占有率を改善し、空間的性能を回復させるとともに、より早い流れ方向の利得の多くを維持できる。 我々のケーススタディは、MDFが構成に敏感でオープンな設計空間において、LCMをサポートするAMMの体系的アーキテクチャ開発をどのように導くかを示している。

関連論文リスト

• From Models to Systems: A Comprehensive Survey of Efficient Multimodal Learning [126.2308206954491]
  本調査では,効率的なマルチモーダル学習のためのモデル・ツー・システム分類を初めて導入した。 我々は300を超える精巧な作品から3つの階層的なレベル – モデル,アルゴリズム,システム – への洞察を抽出し,アーキテクチャのパーシモニー,実行の洗練,ハードウェア対応のオーケストレーションを行う。
  論文  参考訳（メタデータ） (2026-09-16T21:27:22Z)
• Empowering LLMs for Structure-Based Drug Design via Exploration-Augmented Latent Inference [5.052013621974765]
  大言語モデル(LLM)は、表現力と推論能力を持っているが、構造に基づく薬物設計(SBDD)への応用は、タンパク質構造や予測不可能な分子生成の理解が不十分なため制限されている。 本研究では,LLM生成過程を符号化,遅延空間探索,復号化ワークフローとして再解釈するフレームワークであるELILLM(Exploration-Augmented Latent Inference for LLMs)を提案する。 ELILLMは、デコードモジュールを使用して、よく知られた領域を処理し、化学的に有効で合成学的に合理的な分子を生成することで、モデル現在の知識を超えた設計問題の部分を明示的に探求する。
  論文  参考訳（メタデータ） (2026-01-20T08:10:48Z)
• Enhancing Spatial Reasoning in Large Language Models for Metal-Organic Frameworks Structure Prediction [12.040331998543069]
  大型言語モデル (LLM) は結晶生成において有望であるが、MOFへの応用はMOFの高原子量化によって妨げられている。 ブロックレベルのMOF構造予測に特化して適応した最初のLLMフレームワークであるMOF-LLMを紹介する。 提案手法は,正確なMOF構造予測のためのQwen-38Bモデルの空間推論能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-01-14T08:45:07Z)
• Will Pre-Training Ever End? A First Step Toward Next-Generation Foundation MLLMs via Self-Improving Systematic Cognition [89.50068130832635]
  自己改善認知 (SIcog) は、マルチモーダル知識によって次世代のMLLMを構築するための自己学習フレームワークである。 ステップバイステップの視覚的理解のためのChain-of-Descriptionを提案し、詳細なマルチモーダル推論をサポートするために構造化されたChain-of-Thought(CoT)推論を統合する。 実験は、マルチモーダル認知を増強したMLLMの開発におけるSIcogの有効性を示す。
  論文  参考訳（メタデータ） (2025-03-16T00:25:13Z)

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。