- 学术相关
- Modeling earth-scale human-like societies with one billion agents
- Proximity to explosive synchronization determines network collapse and recovery trajectories in neural and economic crises
- Quantifying Information Distribution in Social Networks: The Structural Entropy Index of Community (SEIC) for Twitter Communication Analysis
- Intersectional inequalities in social ties
- 娱乐
学术相关
Modeling earth-scale human-like societies with one billion agents 1
Work in prgress.
这篇文章名字起得很大，但目前工作深度远远达不到这个名字的程度。它重点要解决的问题应该是如何降低大规模仿真的成本问题，作者提出了几个策略，并在观念传播网络中的f图中进行了token消耗比较，但作者没有提供细节和深入分析。作者重点说明了社会仿真结果与实际社会互动特征接近，我不认同这类验证LLMs仿真的方法，我认为这种特征有源自模型语料库训练导致数据泄漏的嫌疑，应该充分测试（如控制训练数据或比较大量不相关的特征指标排除模型根据操作者意愿生成数据的可能）并设计标准后才能作为仿真效果评估依据。
仿真系统设计
社会互动有智能体与环境状态的交互进行建模，通过事件队列进行调度
- 社会模型$M:=<D,T,S_A,S_E, V,Q,F>$
- $D$ Seed Dataset 种子数据集
- $T$模拟的时间线
- 每个时间步社会模型系统保有动态的激活智能体合集（出生、死亡、动作）
- 智能体状态$S_A$
- 静态配置（人口统计特征、个体特性等）
- 动态内部状态（记忆、信念、目标等）
- 动态外部状态（位置、社会连接等）
- 环境状态$S_E$
- 静态组件（空间布局、体制结构等）
- 动态组件（模拟进度如天气状况、灾难等）
- 事件$v\in \mathcal{V}$ 引导模拟动态变化
- 每个事件封装了系统中的离散交互或变化，例如代理发送消息、移动、形成关系等，每个事件包含优先级属性，被被存储在事件队列$Q$ 调度
- LLMs 驱动的模拟操作函数$F$
- 提供仿真系统的核心动态
- $f_I$ 基于种子数据集$D$ 初始化环境和智能体
- $f_P$ 智能体感知周边环境函数
- $f_\Pi$ 智能体决策和行为的政策操作函数
- $f_A$ 智能体随时间演化函数
- $f_E$ 环境随时间演化函数
- $f_U$ 更新操作函数
自动复杂混合模型框架
为降低大规模仿真的开销，本文使用了多层优化的方案：
- 语义提示词缓存机制
- 降低相似结构提示词的冗余开销
- 每次提示词查询都会被转换为向量并被存储
- 每次查询会首先进行相似检索，决定复用或使用新的提示词
- 周期性知识蒸镏训练任务专属模型
- 通过混合模型架构调度资源
- 根据保真度需求和资源可用性分配到完整LLM、蒸镏模型或其他模型
- 运行层面使用分布式和压缩图结构实现高效并发
实验结果
社会信任游戏
观念传播网络
基于Barabasi-Albert模型的仿真
f图显示作者提出的架构Token消耗量几乎不随仿真规模增长而增长，但没有细节和详细解释。初步猜测应该包含大量高度同质化的智能体，通过缓存机制复用。
Proximity to explosive synchronization determines network collapse and recovery trajectories in neural and economic crises 2
Quantifying Information Distribution in Social Networks: The Structural Entropy Index of Community (SEIC) for Twitter Communication Analysis 3
Intersectional inequalities in social ties 4
娱乐
Discovering sensorimotor agency in cellular automata using diversity search 5
-
Guan, H., He, J., Fan, L., Ren, Z., He, S., Yu, X., Chen, Y., Zheng, S., Liu, T.-Y., & Liu, Z. (2025). Modeling earth-scale human-like societies with one billion agents (No. arXiv:2506.12078). arXiv. https://doi.org/10.48550/arXiv.2506.12078 ↩
-
Lee, U., Kim, H., Kim, M., Oh, G., Joo, P., Park, A., Pal, D., Tracey, I., Warnaby, C. E., Sleigh, J., & Mashour, G. A. (2025). Proximity to explosive synchronization determines network collapse and recovery trajectories in neural and economic crises. Proceedings of the National Academy of Sciences, 122(44), e2505434122. https://doi.org/10.1073/pnas.2505434122 ↩
-
Błocki, W., Szewczyk, M., & Adamski, A. (2025). Quantifying Information Distribution in Social Networks: The Structural Entropy Index of Community (SEIC) for Twitter Communication Analysis. Entropy, 27(11), 1140. https://doi.org/10.3390/e27111140 ↩
-
Martin-Gutierrez, S., Cartier Van Dissel, M. N., & Karimi, F. (2025). Intersectional inequalities in social ties. Science Advances, 11(45), eadu9025. https://doi.org/10.1126/sciadv.adu9025 ↩
-
Hamon, G., Etcheverry, M., Chan, B. W.-C., Moulin-Frier, C., & Oudeyer, P.-Y. (2025). Discovering sensorimotor agency in cellular automata using diversity search. Science Advances, 11(44), eadp0834. https://doi.org/10.1126/sciadv.adp0834 ↩