Учёные научились моделировать общества ИИ-агентов на обычном ноутбуке

Полноценная симуляция общества из множества LLM-агентов дорога: чтобы получить решение каждого агента на каждом шаге, нужно раз за разом обращаться к большой языковой модели. Но вопросы, которые обычно интересуют исследователей в таких симуляциях, макроскопические: фазовое поведение системы, устойчивые статистические закономерности (стилизованные факты) и то, как поведение системы меняется с ростом числа агентов N, а не мышление какого-то одного конкретного агента.

Авторы предлагают заменить каждого LLM-агента дешёвой моделью с малым числом параметров, суррогатом, которую обучают на нескольких сотнях-тысячах дешёвых запросов к языковой модели. После этого симуляцию можно прогонять при любом N на обычном ноутбуке. Ключевая идея работы: сработает ли такая замена, можно понять ещё ДО запуска симуляции, это решается прежде всего тем, что именно воспринимает каждый агент (какую информацию об окружении и других агентах он получает). Авторы вводят таксономию «порядок взаимодействия × память», которая связывает то, что и как воспринимает агент, с эффективной теорией и даёт предсказание, как должна вести себя ошибка суррогатной модели при изменении N.

Метод проверили на точном воспроизведении LLM-модели макроэкономики EconAgent и ещё семи известных LLM-симуляциях. Решения агентов-суррогатов были буквально скопированы с настоящих ответов языковых моделей (в основном DeepSeek), а вся проверка обошлась в несколько долларов. Предсказанные теорией зависимости ошибки от N подтвердились по каждой ячейке проверки. В двух случаях, которые на первый взгляд теорию опровергали, оба были связаны с сильно насыщающимся откликом, причину расхождения свели к кривизне этого отклика, и теория без единого свободного параметра количественно совпала и с этими двумя случаями тоже.

Ключевые факты

Полная симуляция общества LLM-агентов дорога; авторы заменяют каждого агента дешёвой суррогатной моделью с малым числом параметров, обученной на нескольких сотнях-тысячах дешёвых запросов, это позволяет прогонять симуляцию при любом N на обычном ноутбуке
Введена таксономия «порядок взаимодействия × память»: она предсказывает ещё до запуска симуляции, сработает ли замена агента суррогатом, по тому, что именно агент воспринимает
Та же таксономия предсказывает, как должна меняться ошибка суррогата с ростом числа агентов N
Метод проверили на точном воспроизведении LLM-макроэкономики EconAgent и ещё 7 известных LLM-симуляциях; решения агентов скопированы с реальных ответов LLM (в основном DeepSeek), вся проверка стоила несколько долларов
Предсказанные зависимости ошибки от N подтвердились по каждой ячейке; два случая, которые сперва выглядели опровержением теории, объяснились кривизной насыщающегося отклика и количественно совпали с теорией без единого подгоняемого параметра

Почему это важно

Симуляции обществ из множества ИИ-агентов, стандартный инструмент для изучения макроэкономики, коллективного поведения и других систем, где важна не логика отдельного агента, а поведение системы в целом при разном числе участников. Но каждый шаг такой симуляции требует запроса к большой языковой модели на каждого агента, и стоимость растёт с числом агентов и числом шагов. Работа показывает, что для вопросов о фазовом поведении, устойчивых статистических закономерностях и масштабировании с N дорогую LLM внутри симуляции зачастую можно заменить дешёвой суррогатной моделью, и заранее, теоретически, знать, сработает ли такая замена.

Кому это важно

Работа адресована исследователям, которые строят агентные симуляции на основе LLM, в экономике (как EconAgent), социальном моделировании и смежных областях мультиагентных систем, и упираются в стоимость и время прогона симуляции при увеличении числа агентов или количества экспериментов.

Как это применить

Метод работает в три шага. Сначала по таксономии «порядок взаимодействия × память», то есть по тому, что агент воспринимает из окружения и что помнит, определяют, применим ли вообще подход с суррогатом для конкретной симуляции, и заранее получают предсказание, как должна вести себя ошибка суррогата при изменении числа агентов N. Затем для каждого агента обучают дешёвую модель с малым числом параметров на нескольких сотнях-тысячах запросов к настоящей LLM. После этого симуляцию всего общества любого размера N можно прогонять на обычном ноутбуке, без обращений к большой модели на каждом шаге.

Можно ли доверять

Метод проверили не на одном примере, а на точном воспроизведении LLM-модели макроэкономики EconAgent и ещё семи известных LLM-симуляциях; решения агентов-суррогатов клонировали с настоящих ответов, полученных от реальных языковых моделей (в основном DeepSeek), а вся проверка обошлась в несколько долларов. Предсказанные теорией зависимости ошибки от N подтвердились по каждой отдельной ячейке проверки. Показательно и то, как авторы обошлись с двумя случаями, где предсказание сначала не совпало: оба относились к сильно насыщающемуся отклику, и, разобравшись в причине (кривизна этого отклика), теория совпала с результатами количественно и без единого свободного параметра, то есть расхождение не подогнали, а объяснили той же самой теорией.

Риски и подводные камни

Применимость подхода не универсальна: сработает суррогат или нет, по словам авторов, решается прежде всего тем, что именно воспринимает агент, то есть метод годится не для любой мультиагентной LLM-симуляции, а для тех, что укладываются в описанную таксономию. В доступном тексте аннотации не названы ни авторы, ни организации, ни точная сумма расходов на проверку (указано лишь «несколько долларов»), ни конкретные названия семи дополнительных симуляций, использованных для проверки, эти детали в реферате отсутствуют.