基础、计算效率高的 LLM 物理约束点对点能源市场中能源贫困公平的政策代理

社会公益 NLP 中几乎不存在能源贫困问题，现有的少量工作要么是静态检索/QA，要么依赖于碳密集型云 LLM，这是对人道主义环境的一种弄巧成拙的“计算讽刺”。我们提出了 EqGrid，这是一种闭环模拟，其中低频、开放权重 LLM 政策代理设定价格和碳界限，以及对基于经验的家庭角色社区的有针对性的补贴，而高频多代理 RL 交易者则清除受物理分配网格（具有动态操作范围的 IEEE-33 总线）约束的连续双重拍卖。我们的贡献有三个方面，直接解决如何衡量人工智能的社会影响：（i）依据地区数据构建的角色（与地区匹配的社会人口统计），其负载曲线根据真实智能电表数据检查形状和水平的真实性； (ii) 正式的能源贫困公平指标（能源负担、EB 基尼系数、LIHC）显示干预措施在不提高净电网成本的情况下减少了负担不平等； (iii) 计算效率前沿，用于衡量将策略代理从 235B 教师压缩到可在笔记本电脑上部署的低于 1B 模型时，公平性表现的存活率，以每个决策的估计能源/碳为单位。解耦安全设计（LLM 设置界限；执行验证和项目网格门）产生零网格约束违规，而在直接 LLM 控制下则产生 55 次网格约束违规。在能源贫困公平方面，LLM 政策将能源负担的基尼系数从 0.351 降低到 0.305，平均负担降低 28%，同时削减成本（优于调整的规则基线），3B 主动模型以比教师低约 9 倍的推理能量保留了 95% 的收益，甚至 0.8B 设备上模型也保留了 92% 的收益能量降低 24 倍。我们将发布代码和配置。