模型容量前沿：LLM支持社会仿真的开发框架
原标题：Model Capacity Frontier: A Development Framework for LLM-Supported Social Simulation
AI 摘要
论文提出模型容量前沿（MCF）框架，用于刻画特定架构在其所有可允许配置下可达到的经验性能，并在多目标场景中用估计的帕累托前沿表示。作者以约1.2万智能体的大学毕业典礼人群模拟为案例，先刻画传统人群模型的容量，再逐步评估LLM支持的架构扩展：首次引入LLM改善了流动方向，但降低了时间占用和空间分布表现；后续对LLM层进行架构改进后，时间占用提升、空间表现恢复，并保留了大部分流动方向增益。该工作为配置敏感、开放式设计空间中的LLM支持型ABM开发提供了系统化评估方法。
正文节选
Model Capacity Frontier: A Development Framework for LLM-Supported Social Simulation Abstract. Large language model (LLM) agents are increasingly incorporated into agent-based models (ABMs) on the premise that richer, context-sensitive human behavior can improve empirical fidelity. However, LLM-supported ABMs introduce an open-ended design space in which subtle modeling and configuration choices, such as prompt design and environment coupling, can substantially alter outcomes. Developing LLM-sup