APS：群体规模 LLM 智能体的偏差控制自适应原型仿真

LLM-agent 模拟提供了一种灵活的计算工具，用于研究取决于场景事件、记忆、人口统计和不断变化的社会背景的群体反应轨迹。然而，完整的多轮模拟随着群体规模和范围线性扩展，要求每个智能体在每一轮都查询 LLM。我们提出了自适应原型模拟（APS），这是一个框架，它将可扩展的基于 LLM 的模拟重新构建为一个经常性的预言机分配问题。 APS 保留指定的 LLM 作为在线转换预言机，同时查询自适应核心原型、选定的单尾代理和影子审计代理。原型响应会引起附近代理的本地响应面，从而减少在线 LLM 调用，而无需替换底层转换模型。为了控制近似偏差，影子审计残差校正估计聚合校正和未来预算分配的传播残差，而尾部保护的单例路由直接查询选定的易于平滑的孤立、异构或高曲率区域。理论上，我们将 APS 视为全面高精度个体社会模拟的估计器，并将其误差分解为原型覆盖误差、影子审计残差校正误差、局部传播偏差和时间上下文不匹配。根据报告的协议，APS 比面向规模和相同预算的基线提供更低的参考对齐分布差异，同时减少在线 LLM 调用，并通过消融和紧凑的鲁棒性检查来诊断主要偏差控制机制。在 10M 智能体、多轮舆情模拟中，APS 比完整模拟实现了 381.1 倍的减少，参考对齐的最终轮 JSD 相对于相应的完整 LLM 参考为 0.094。