貧者のエージェンティック・モデリング：ラップトップ上での大規模LLMエージェント社会のシミュレーション

要旨

多数の大規模言語モデル（LLM）エージェントからなる社会のシミュレーションは高コストであるが、そのようなシミュレーションに対して問われる問いは通常、巨視的なものである。すなわち、相挙動、定型化された事実、エージェント数Nによるスケーリングなどであり、個々のエージェントの認知ではない。我々は統計物理学の観察を一つの手法へと転換する。各LLMエージェントを、数百から数千回の安価なクエリによって適合させた低パラメータモデルで置き換え、その後、任意のNでその社会をラップトップ上で実行するという手法である。これが機能するかどうかは、シミュレーションの実行前に、主に各エージェントが何を知覚するかによって決まる。我々は、知覚と記憶を有効理論および代理誤差の予測されるN傾向に対応付ける「相互作用次数×記憶」分類法を導入する。我々はこれを、LLMマクロ経済エージェントEconAgentの忠実な再実装と、さらに名前の付いた7つのLLMシミュレーションで検証する。エージェントの意思決定は、実際のLLM（主にDeepSeek）から数ドルで引き出した応答から複製されたものである。予測された誤差傾向はセルごとに成立し、反証された2つの予測（いずれも強く飽和する応答に関するもので、その曲率に起因する）もまた、自由パラメータなしで理論と定量的に一致する。

English

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.