arXiv cs.AIは2026年7月19日(現地時間)、大規模言語モデル（LLM）エージェント社会のシミュレーション費用を削減し、一般的なノートPC上で実行可能にする手法を公開した。このアプローチは、個々のLLMエージェントを低パラメータモデルに置き換え、統計物理学の知見を応用して数百から数千の安価なクエリからモデルを適合させることで、高額なシミュレーションの課題を解決する。
大規模なLLMエージェント社会シミュレーションは、通常高額な費用を要する課題として知られている。その主な目的は、個々のエージェントの認知よりも、社会全体の挙動や、エージェント数 $N$ に対するスケーリングを分析することにある。
Igor Itkin氏が提案したこの手法は、この費用問題を解決するため、各LLMエージェントを低パラメータモデルに置き換えるアプローチを取る。このモデルは、数百から数千回の安価なクエリから適合させることが可能だ。これにより、任意の $N$ のエージェント社会を一般的なノートPC上で実行できると論文は説明している。この手法の有効性は、各エージェントが知覚する情報によって決定される。
本論文では、エージェントの知覚と記憶を有効理論および代理誤差の予測 $N$-トレンドにマッピングするinteraction order x memoryという分類法が導入されている。この手法の検証は、LLMマクロ経済シミュレーションのEconAgentの忠実な再実装に加え、さらに7つのLLMシミュレーションで行われた。エージェントの意思決定は、DeepSeekなどのLLMからの誘導をクローンすることで、わずか数ドルの費用で得られる。
検証の結果、予測された誤差トレンドはセルごとに維持され、強く飽和する応答に関する2つの反証された予測も、自由パラメータなしで理論によって定量的に一致したことが示されている。これは、費用対効果の高いシミュレーションが、高価な大規模LLMなしでも可能であることを裏付けている。
参考: arXiv cs.AI — 2026年8月13日 13:00 (JST)
原文ハイライト"Poor Man's Agentic Modeling: Simulating Large LLM-Agent Societies on a Laptop"