LLM Econoom: Grote Bevolkingsmodellen en Mechanism Design in Multi-Agent Generatieve Simulacra

LLM Economist: Large Population Models and Mechanism Design in Multi-Agent Generative Simulacra

July 21, 2025

Auteurs: Seth Karten, Wenzhe Li, Zihan Ding, Samuel Kleiner, Yu Bai, Chi Jin

cs.AI

Samenvatting

We presenteren de LLM Economist, een nieuw raamwerk dat agent-gebaseerd modelleren gebruikt om economisch beleid te ontwerpen en te evalueren in strategische omgevingen met hiërarchische besluitvorming. Op het lagere niveau kiezen beperkt rationele werknemer-agenten -- geïnstantieerd als persona-geconditioneerde prompts die zijn bemonsterd uit op de Amerikaanse volkstelling gekalibreerde inkomens- en demografische statistieken -- hun arbeidsaanbod om tekstgebaseerde nutsfuncties die in-context zijn geleerd te maximaliseren. Op het hogere niveau gebruikt een planner-agent in-context reinforcement learning om stuksgewijs lineaire marginale belastingtarieven voor te stellen, verankerd aan de huidige federale belastingschijven in de VS. Deze constructie voorziet economische simulaties van drie vereiste capaciteiten voor geloofwaardig fiscaal experimenteren: (i) optimalisatie van heterogene nutsfuncties, (ii) principiële generatie van grote, demografisch realistische agentpopulaties, en (iii) mechanism design -- het ultieme nudging-probleem -- volledig uitgedrukt in natuurlijke taal. Experimenten met populaties van tot honderd interagerende agenten tonen aan dat de planner convergeert naar Stackelberg-evenwichten die het algemene maatschappelijke welzijn verbeteren ten opzichte van Saez-oplossingen, terwijl een periodieke, persona-niveau stemprocedure deze winsten verder bevordert onder gedecentraliseerd bestuur. Deze resultaten demonstreren dat op grote taalmodellen gebaseerde agenten gezamenlijk complexe economische systemen kunnen modelleren, simuleren en besturen, en bieden een hanteerbare testomgeving voor beleidsevaluatie op maatschappelijke schaal om betere beschavingen te helpen bouwen.

English

We present the LLM Economist, a novel framework that uses agent-based modeling to design and assess economic policies in strategic environments with hierarchical decision-making. At the lower level, bounded rational worker agents -- instantiated as persona-conditioned prompts sampled from U.S. Census-calibrated income and demographic statistics -- choose labor supply to maximize text-based utility functions learned in-context. At the upper level, a planner agent employs in-context reinforcement learning to propose piecewise-linear marginal tax schedules anchored to the current U.S. federal brackets. This construction endows economic simulacra with three capabilities requisite for credible fiscal experimentation: (i) optimization of heterogeneous utilities, (ii) principled generation of large, demographically realistic agent populations, and (iii) mechanism design -- the ultimate nudging problem -- expressed entirely in natural language. Experiments with populations of up to one hundred interacting agents show that the planner converges near Stackelberg equilibria that improve aggregate social welfare relative to Saez solutions, while a periodic, persona-level voting procedure furthers these gains under decentralized governance. These results demonstrate that large language model-based agents can jointly model, simulate, and govern complex economic systems, providing a tractable test bed for policy evaluation at the societal scale to help build better civilizations.