研究人员提出了一种简化的智能体建模方法，用于模拟大量大型语言模型（LLM）代理社会。由于模拟这样的社会的成本很高，但研究问题通常是宏观的，例如相位行为、风格化事实和随代理数量 $N$ 的缩放，而不是单个代理的认知。他们将统计物理观察转化为一种方法：用低参数模型替换每个 LLM 代理，该模型从几百到几千个廉价查询中拟合，然后在任何 $N$ 上运行社会。是否有效取决于每个代理的感知。他们引入了一个 [交互顺序 x 内存] 分类法，将感知和内存映射到有效理论和预测的 $N$-趋势的替代错误。他们在七个进一步的 LLM 模拟中验证了它，包括 EconAgent 宏经济模拟，代理决策克隆自真正的 LLM 引发（主要是 DeepSeek），仅需几美元；预测的错误趋势按单元格保持，两个被驳回的预测都是在强饱和响应上量化匹配的理论，没有自由参数。 博主点评： 这项研究为模拟大型语言模型代理社会提供了一个高效的解决方案，通过简化代理模型和感知机制，实现了在笔记本电脑上运行大规模模拟的可能性，对于语言模型的研究和应用具有重要意义。