LLM Economist: Модели с большим населением и проектирование механизмов в многозадачных генеративных симулякрах

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

July 21, 2025

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

cs.AI

Аннотация

Мы представляем LLM Economist — новую концепцию, использующую агентное моделирование для разработки и оценки экономической политики в стратегических средах с иерархическим принятием решений. На нижнем уровне ограниченно рациональные агенты-работники — реализованные как персонализированные промпты, сгенерированные на основе данных о доходах и демографии, калиброванных по данным переписи населения США — выбирают предложение труда для максимизации текстовых функций полезности, изученных в контексте. На верхнем уровне агент-планировщик использует обучение с подкреплением в контексте для предложения кусочно-линейных графиков предельных налогов, привязанных к текущим федеральным налоговым ставкам США. Такая конструкция наделяет экономические симуляции тремя ключевыми возможностями, необходимыми для достоверного фискального экспериментирования: (i) оптимизацию разнородных функций полезности, (ii) принципиальное создание больших, демографически реалистичных популяций агентов и (iii) проектирование механизмов — конечной задачи мягкого воздействия — выраженного исключительно на естественном языке. Эксперименты с популяциями до ста взаимодействующих агентов показывают, что планировщик сходится к равновесиям Штакельберга, которые улучшают совокупное социальное благосостояние по сравнению с решениями Сэза, а периодическая процедура голосования на уровне персонажей дополнительно усиливает эти достижения при децентрализованном управлении. Эти результаты демонстрируют, что агенты на основе больших языковых моделей могут совместно моделировать, симулировать и управлять сложными экономическими системами, предоставляя удобный полигон для оценки политики на уровне общества, чтобы помочь в создании лучших цивилизаций.

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.