GASim：面向社会仿真的图加速混合框架

大型社交模拟器对于研究复杂的社交模式至关重要。先前的工作探索了扩大模拟规模的混合方法，将基于大语言模型（LLM）的代理与基于数字代理的模型（ABM）相结合。然而，由于昂贵的内存检索和顺序 ABM 执行，这会导致高延迟。为了应对这一挑战，我们提出了 GASim，一种用于大规模社交模拟的图加速混合多智能体框架。对于由 LLM 驱动的核心代理，GASim 引入了图优化内存 (GOM)，以通过稀疏内存图进行轻量级传播来取代基于 LLM 的密集检索管道。对于大多数普通代理，GASim 采用图消息传递 (GMP)，通过细粒度特征聚合和图注意网络的并行更新来代替顺序 ABM 执行。我们进一步引入熵驱动分组（EDG）来协调这种混合分区，利用信息熵来动态识别位于信息多样化邻域中的新兴核心代理。大量实验表明，GASim 不仅比传统混合框架实现了 9.94 倍的端到端加速，而且消耗的基准token不到 20%，显着降低了成本，同时保持了与现实世界舆论趋势的紧密结合。我们的代码可在 https://github.com/Jasmine0201/GASim 获取。