💻 computer science

Poor Man's Agentic Modeling: Simulating Large LLM-Agent Societies on a Laptop

यह शोध पत्र सस्ते प्रश्नों से फिट किए गए कम-पैरामीटर वाले सरोगेट्स (surrogates) के माध्यम से व्यक्तिगत एजेंटों को बदलकर, एक लैपटॉप पर बड़े एलएलएम-एजेंट (LLM-agent) समाजों को सिम्युलेट करने के लिए एक लागत प्रभावी विधि प्रस्तावित करता है, जो सिमुलेशन सटीकता की भविष्यवाणी करने के लिए एक धारणा-स्मृति वर्गीकरण (perception-memory taxonomy) पेश करता है और कई मैक्रोस्कोपिक परिदृश्यों में इस दृष्टिकोण को मान्य करता है।

मूल लेखक: Igor Itkin

प्रकाशित 2026-07-15

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Igor Itkin

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक मिलियन लोगों के व्यवहार को समझने के लिए एक विशाल पार्टी आयोजित करना चाहते हैं। आमतौर पर, AI एजेंटों (कंप्यूटर प्रोग्राम जो इंसानों की तरह बात करते हैं) की भीड़ का अध्ययन करने के लिए, आपको निर्णय लेने के लिए एक मिलियन महंगे "मस्तिष्क" किराए पर लेने होंगे। इसमें कंप्यूटर पावर और पैसे का भारी खर्च आता है, और एक सिमुलेशन चलाने में ही घंटों लग जाते हैं। यह एक फुटबॉल मैच को समझने के लिए हर खिलाड़ी को पूरे सीजन को वास्तविक समय में जीने के लिए भुगतान करने जैसा है।

लेकिन क्या होगा अगर आपको एक मिलियन मस्तिष्क की आवश्यकता न हो? क्या होगा अगर आप केवल कुछ दर्जन लोगों का अध्ययन करके पूरी भीड़ को समझ सकें, और फिर बाकी लोगों का प्रतिनिधित्व करने के लिए एक साधारण, सस्ता "छोटा-मस्तिष्क" (mini-brain) उपयोग कर सकें?

यही वह चीज़ है जिसे यह पेपर, जिसका शीर्षक "Poor Man's Agentic Modeling" है, प्रस्तावित करता है। लेखक, इगोर इटकिन (Igor Itkin), सुझाव देते हैं कि अधिकांश बड़े स्तर के सवालों के लिए (जैसे "क्या अर्थव्यवस्था क्रैश होगी?" या "क्या कोई अफवाह फैलेगी?"), आपको हर व्यक्ति के लिए महंगी और जटिल AI की आवश्यकता नहीं है। आप उन्हें एक छोटे, सस्ते मॉडल से बदल सकते हैं जो उनके व्यवहार की नकल करता है, और आप इस पूरे सिमुलेशन को एक सामान्य लैपटॉप पर चला सकते हैं।

गुप्त सामग्री: एजेंट क्या "देखते" हैं

बड़ा सवाल यह है: यह सस्ता तरीका कब काम करता है, और कब विफल हो जाता है?

पेपर का तर्क है कि इसका उत्तर पूरी तरह से इस पर निर्भर करता है कि एजेंट क्या देख रहे हैं। इसे "टेलीफोन" गेम या एक कक्षा की तरह समझें।

"ग्लोबल फीड" (The Mean-Field Cell): कल्पना कीजिए कि एक कक्षा में हर छात्र शिक्षक द्वारा सामने से दिए गए बिल्कुल एक ही घोषणा को सुनता है। क्योंकि सभी एक ही चीज़ देखते हैं, वे सभी समान रूप से प्रतिक्रिया देते हैं। इस मामले में, "सस्ता मॉडल" पूरी तरह से काम करता है। जैसे-जैसे आप अधिक छात्रों (एजेंटों) को जोड़ते हैं, शोर (noise) कम हो जाता है, और सस्ता मॉडल अधिक सटीक हो जाता है। त्रुटि (error) एक गुब्बारे की तरह घटती है जैसे-जैसे भीड़ बढ़ती है।
"प्राइवेट फीड" (The Curved Response Trap): अब कल्पना कीजिए कि प्रत्येक छात्र को एक अलग गुप्त नोट मिलता है, और उस नोट पर उनकी प्रतिक्रिया अजीब तरह से घुमावदार (जैसे रोलरकोस्टर लूप) है। यदि नोट कहता है "जाओ!" तो वे जाते हैं, लेकिन यदि यह कहता है "रुको," तो वे घबरा जाते हैं। क्योंकि हर किसी का नोट अलग है और उनकी प्रतिक्रिया गैर-रेखीय (non-linear) है, सस्ता मॉडल टूट जाता है। भले ही आपके पास दस लाख छात्र हों, सस्ता मॉडल भीड़ की भविष्यवाणी नहीं कर सकता क्योंकि "औसत" नोट का अस्तित्व ही नहीं है। त्रुटि एक स्तर पर पहुँच जाती है और रुक जाती है, चाहे भीड़ कितनी भी बड़ी क्यों न हो।
"कम्युनिटी फीड" (The Echo Chamber): कल्पना कीजिए कि कक्षा को छोटे समूहों में विभाजित किया गया है, और प्रत्येक समूह एक अलग अफवाह सुनता है। सस्ता मॉडल यहाँ भी विफल हो जाता है, लेकिन एक विशिष्ट तरीके से। त्रुटि गायब नहीं होती; यह एक निश्चित स्तर पर अटकी रहती है जो समूहों की संख्या द्वारा निर्धारित होती है, न कि कुल छात्रों की संख्या द्वारा।

पेपर एक "परसेप्शन टैक्सोनॉमी" (एक फैंसी मानचित्र) पेश करता है जो आपको यह बताता है कि आप इन तीन स्थितियों में से किसमें हैं, सिमुलेशन चलाने से पहले ही। यदि आप जानते हैं कि एजेंट क्या देख रहे हैं, तो आप जानते हैं कि आपका सस्ता लैपटॉप मॉडल काम करेगा या आपको सुपरकंप्यूटर की आवश्यकता होगी।

"रेकमेंडर" स्विच

पेपर बताता है कि कई AI सिमुलेशन में, "रेकमेंडर" (वह प्रणाली जो यह तय करती है कि एजेंट को कौन सी खबर या फीड दिखेगी) वह स्विच है जो सस्ते मॉडल को चालू या बंद करता है।

यदि रेकमेंडर सभी को एक ग्लोबल ट्रेंडिंग फीड दिखाता है, तो सस्ता मॉडल बहुत अच्छा काम करता है।
यदि रेकमेंडर लोगों को इको चैंबर (उन्हें केवल वही दिखाना जो उनके विशिष्ट समुदाय को पसंद है) में डाल देता है, तो सस्ता मॉडल एक सीमा (wall) से टकराकर रुक जाता है।

पेपर क्या सिद्ध करता है (और क्या नहीं)

लेखक ने केवल अनुमान नहीं लगाया; उन्होंने इसे आठ अलग-अलग प्रसिद्ध AI सिमुलेशन (जैसे EconAgent, जो एक अर्थव्यवस्था का अनुकरण करता है, और AgentSociety, जो एक शहर का अनुकरण करता है) पर परखा। उन्होंने AI (DeepSeek) से वास्तविक निर्णय प्राप्त करने के लिए कंप्यूटर समय पर केवल कुछ डॉलर खर्च किए और उनका उपयोग अपने सस्ते मॉडल बनाने के लिए किया।

यहाँ उनके निष्कर्ष हैं:

अर्थव्यवस्था (EconAgent): उन्होंने पाया कि एक प्रसिद्ध आर्थिक नियम "ओकुन्स लॉ" (जो बेरोजगारी को सकल घरेलू उत्पाद से जोड़ता है) वास्तव में कोई गहरा व्यवहार संबंधी रहस्य नहीं था। यह केवल एक गणितीय पहचान थी जो सच थी, भले ही एजेंटों ने बिल्कुल भी न सोचा हो! हालांकि, "फिलिप्स कर्व" (मुद्रास्फी inflation और बेरोजगारी को जोड़ने वाला) एक वास्तविक व्यवहार संबंधी हस्ताक्षर था। उन्होंने सिद्ध किया कि AI की तर्क करने की क्षमता (सोचने के लिए स्टेप-बाय-स्टेप प्रक्रिया) ही वह विशिष्ट तत्व था जिसने इस कर्व को बनाया, न कि केवल प्रॉम्प्ट में उपयोग किए गए शब्द।
महामारी (Williams et al.): उन्होंने दिखाया कि एक "सैचुरेटिंग" प्रतिक्रिया (जहाँ लोग एक निश्चित बिंदु के बाद प्रतिक्रिया देना बंद कर देते हैं) महामारी के वक्र को सपाट करने की कुंजी थी।
कंसेंसस गेम (De-Marzo et al.): उन्होंने खोजा कि "क्रिटिकल ग्रुप साइज" (वह संख्या जिससे सभी सहमत होते हैं) मस्तिष्क की कोई जादुई संख्या नहीं है। यह वास्तव में धारणा (perception) की एक सीमा है। यदि एक AI लंबी राय की सूची से बहुत भ्रमित हो जाता है, तो वह सहमत होना बंद कर देता है। यदि आप उसे एक सूची के बजाय एक सरल गणना देते हैं, तो भ्रम गायब हो जाता है, और "क्रिटिकल साइज" अनंत हो जाता है।

"नी" (Knee) और "फ्लोर" (Floor)

पेपर सटीक रूप से यह भविष्यवाणी करने के लिए कूल गणित का उपयोग करता है कि सस्ता मॉडल कब बेहतर होना बंद कर देता है।

कुछ व्यवहारों के लिए (जैसे कि लगभग रैखिक प्रतिक्रिया), त्रुटि एजेंटों को जोड़ने के साथ घटती रहती है, सैद्धांतिक रूप से हमेशा के लिए।
अन्य व्यवहारों के लिए (जैसे कि अत्यधिक घुमावदार प्रतिक्रिया), एक "नी" (एक विशिष्ट संख्या, एक परीक्षण में 29 एजेंटों के आसपास) होती है जहाँ त्रुटि गिरना बंद हो जाती है और एक "फ्लोर" (न्यूनतम स्तर) पर पहुँच जाती है। आप कितने भी अधिक एजेंट जोड़ लें, सस्ता मॉडल अधिक सटीक नहीं होगा क्योंकि एजेंटों की प्रतिक्रियाएं बहुत अस्थिर हैं।

पेपर किन चीजों को खारिज करता है

पेपर बहुत सावधानी से कहता है कि यह विधि क्या नहीं कर सकती:

यह एक विशिष्ट सिमुलेशन में किसी पार्टी में जाने वाले लोगों की सटीक संख्या की भविष्यवाणी नहीं कर सकता यदि वह सिमुलेशन जटिल, स्थानीय मित्रता (जैसे "स्मॉलविले" सिमुलेशन) पर निर्भर करता है। सस्ता मॉडल करीब तो पहुँच सकता है, लेकिन यह सटीक संख्या नहीं पकड़ सकता क्योंकि स्थानीय नेटवर्क संरचना बहुत महत्वपूर्ण है।
यह वित्तीय "स्टाइलइज्ड फैक्ट्स" (जैसे शेयर बाजार के उतार-चढ़ाव) को पुनरुत्पादित नहीं कर सकता यदि बाजार तंत्र स्वयं पर्याप्त मजबूत नहीं है। एक परीक्षण में, सस्ता ट्रेडर मॉडल ठीक से काम कर रहा था, लेकिन बाजार ने जंगली उतार-चढ़ाव पैदा नहीं किए क्योंकि "प्राइस इम्पैक्ट" बहुत कमजोर था। समस्या एजेंट की नहीं थी, बल्कि बाजार की थी।

मुख्य निष्कर्ष

मुख्य बात यह है कि एक मिलियन-एजेंट समाज का अध्ययन करने के लिए आपको एक मिलियन महंगे AI मस्तिष्क की आवश्यकता नहीं है। आपको बस यह समझने की आवश्यकता है कि वे दुनिया को कैसे देखते हैं।

यदि वे सभी एक ही चीज़ देखते हैं, तो एक साधारण लैपटॉप पर चल रहा सस्ता, सरल मॉडल आपको भीड़ के व्यवहार के बारे में सब कुछ बता सकता है। यदि वे अलग-अलग चीजें देखते हैं या उनकी प्रतिक्रियाएं अजीब और घुमावदार हैं, तो सस्ता मॉडल एक दीवार से टकरा जाएगा, और आपको अपना समय बर्बाद करने से पहले यह जानना होगा कि वह दीवार कहाँ है।

लेखक इसे "पोर मैन्स एजेंटिक मॉडलिंग" (Poor Man's Agentic Modeling) कहते हैं क्योंकि यह $10,000 की सिमुलेशन समस्या को$ 5 के लैपटॉप समस्या में बदल देता है। लेकिन असली जीत केवल पैसा बचाना नहीं है; बल्कि यह है कि महंगे AI को हटाकर, आप वास्तव में यह माप सकते हैं कि भीड़ इस तरह व्यवहार क्यों करती है। आप पाते हैं कि "रीजनिंग" (तर्क) का चरण, या "कर्वेचर" (घुमाव) की प्रतिक्रिया, या "परसेप्शन लिमिट" (धारणा की सीमा) ही परिणाम को संचालित करती है। सस्ता मॉडल एक सूक्ष्मदर्शी (microscope) की तरह कार्य करता है, जो उन सूक्ष्म गियरों को प्रकट करता है जो विशाल मशीन को घुमाते हैं।

तकनीकी सारांश: पुअर मैन्स एजेंटिक मॉडलिंग (Poor Man's Agentic Modeling)

समस्या विवरण

LLM एजेंटों से बनी समाजों का अनुकरण (Simulation) करना अत्यधिक गणनात्मक रूप से महंगा है, जिसमें एक हजार एजेंटों के एक रन के लिए अक्सर दर्जनों डॉलर और घंटों का खर्च आता है। यह खर्च मैक्रोस्कोपिक घटनाओं (macroscopic phenomena)—जैसे कि फेज़ ट्रांज़िशन (phase transitions), स्टाइलइज्ड फैक्ट्स (stylized facts), और जनसंख्या आकार ( $N$ ) के साथ स्केलिंग—के व्यवस्थित अध्ययन को बाधित करता है, जो इन सिमुलेशन से पूछे जाने वाले प्राथमिक वैज्ञानिक प्रश्न हैं। जबकि LLMs प्रति-एजेंट संज्ञानात्मक क्षमता (per-agent cognition) प्रदान करते हैं, यह शोध तर्क देता है कि मैक्रोस्कोपिक अवलोकन (macroscopic observables) के लिए, यह सूक्ष्म विवरण अक्सर अप्रासंगिक होता है। मुख्य समस्या यह निर्धारित करना है कि कब और कैसे महंगे LLM एजेंटों को सस्ते, कम-पैरामीटर वाले सरोगेट मॉडल (surrogate models) द्वारा बदला जा सकता है ताकि मानक हार्डवेयर (जैसे कि एक लैपटॉप) पर बड़े समाजों का अनुकरण किया जा सके, बिना मैक्रोस्कोपिक शुद्धता (fidelity) खोए।

कार्यप्रणाली (Methodology)

यह शोध पत्र "पुअर मैन्स एजेंटिक मॉडलिंग" नामक एक ढांचा प्रस्तावित करता है, जो प्रत्येक LLM एजेंट को वास्तविक LLM प्रश्नों (कुछ सौ से कुछ हजार, लागत केवल कुछ डॉलर) से फिट किए गए एक कम-पैरामीटर वाले सरोगेट मॉडल से बदल देता है। यह कार्यप्रणाली तीन चरणों में चलती है:

परसेप्शन-ऑर्डर्ड टैक्सोनॉमी (Perception-Ordered Taxonomy): लेखक दो अक्षों (axes) पर आधारित एक वर्गीकरण प्रणाली पेश करते हैं: इंटरैक्शन ऑर्डर (एक निर्णय को कितने एजेंट प्रभावित करते हैं: वैश्विक समुच्चय/global aggregate, सामुदायिक ब्लॉक/community block, या स्थानीय ग्राफ पड़ोसी/local graph neighbors) और मेमोरी (क्या निर्णय वर्तमान इनपुट पर निर्भर हैं या संचित आंतरिक स्थिति पर)। यह टैक्सोनॉमी एक सिमुलेशन के डिज़ाइन को एक विशिष्ट "सेल" (cell) में मैप करती है, जो $N$ के बढ़ने के साथ सरोगेट त्रुटि (surrogate error) के स्केलिंग ट्रेंड की भविष्यवाणी करती है।
व्यवहार क्लोनिंग (Behavioral Cloning): मैक्रोस्कोपिक परिणामों से सीधे पैरामीटर मिलाने के बजाय, सरोगेट के पैरामीटर व्यवहार क्लोनिंग के माध्यम से फिट किए जाते हैं। एक कम-पैरामीटर वाला 'स्टूडेंट मॉडल' (जैसे कि 12-पैरामीटर वाला लॉजिस्टिक मॉडल) एक "टीचर" LLM (मुख्य रूप से DeepSeek) से प्राप्त स्टेट-एक्शन पेयर्स के डेटासेट पर प्रशिक्षित किया जाता है, जो लक्षित सिमुलेशन के अपने ही प्रॉम्प्ट्स का उपयोग करता है।
वैलिडेशन और स्केलिंग: सरोगेट समाज का विभिन्न पैमानों ( $N$ ) पर अनुकरण किया जाता है। मैक्रोस्कोपिक अवलोकन को मापा जाता है और लक्षित मान के साथ तुलना की जाती है। महत्वपूर्ण रूप से, त्रुटि के रुझान (vanishing, plateauing, या growing) को पूर्व-पंजीकृत भविष्यवाणी के विरुद्ध मान्य किया जाता है जो सिमुलेशन के वर्गीकरण सेल से प्राप्त होती है।

इस ढांचे में एक "स्क्रीनिंग" चरण भी शामिल है जो वास्तविक व्यवहार संबंधी हस्ताक्षरों (behavioral signatures) और अकाउंटिंग आइडेंटिटीज़ (accounting identities - वे संबंध जो व्यवहार की परवाह किए बिना लागू होते हैं) के बीच अंतर करता है।

मुख्य योगदान

1. परसेप्शन-ऑर्डर्ड टैक्सोनॉमी

यह शोध पत्र स्थापित करता है कि सस्ते मॉडलिंग की सफलता इस बात से निर्धारित होती है कि एजेंट क्या देखते (perceive) हैं।

ग्लोबल फीड (मीन-फील्ड): यदि एजेंट एक एकल जनसंख्या-व्यापी समुच्चय पर प्रतिक्रिया करते हैं, तो सरोगेट त्रुटि $N^{-1/2}$ (सैंपलिंग नॉइज़) के रूप में लुप्त हो जाती है।
कम्युनिटी/लोकल फीड: यदि एजेंट समुदाय-विशिष्ट संकेतों या स्थानीय ग्राफ पड़ोसियों पर प्रतिक्रिया करते हैं, तो त्रुटि $N$ के साथ लुप्त नहीं होती; यह एक $O(1)$ फ्लोर पर स्थिर (plateau) हो जाती है या बढ़ती है, जो संरचना पर निर्भर करता है।
कर्वेचर और जेन्सन की असमानता (Curvature and Jensen's Inequality): शोध पत्र एक तीसरा कारक पहचानता है: रिस्पॉन्स कर्वेचर। भले ही निजी फीड (private feeds) मौजूद हों, एक अत्यधिक घुमावदार (curved) रिस्पॉन्स फंक्शन एक "जेन्सन बायस" (Jensen bias) फ्लोर बनाता है जो त्रुटि को कम होने से रोकता है, जिसे वास्तविक LLMs पर मात्रात्मक रूप से प्रमाणित और मान्य किया गया है।

2. एक उपकरण के रूप में सरोगेट (The Surrogate as an Instrument)

लेखक तर्क देते हैं कि सरोगेट केवल लागत बचाने वाला उपकरण नहीं है, बल्कि एक वैज्ञानिक उपकरण है। क्योंकि सरोगेट को मैक्रोस्कोपिक परिणामों के बजाय सूक्ष्म निर्णयों से फिट किया जाता है, इसलिए किसी मैक्रोस्कोपिक नियम को पुनरुत्पादित करने के लिए आवश्यक पैरामीटर उस विशिष्ट सूक्ष्म तंत्र (microscopic mechanism) को प्रकट करते हैं जो इसे संचालित करता है। उदाहरण के लिए, पेपर फिलिप्स कर्व (Phillips curve) को संचालित करने वाले एकल "लेबर-साइक्लिकलिटी कोएफिशिएंट" (labor-cyclicality coefficient) को अलग करता है।

3. वास्तविक LLMs पर मात्रात्मक सत्यापन

इस कार्यप्रणाली को आठ नामित LLM सिमुलेशन (EconAgent, AgentTorch, OASIS, AgentSociety, और Smallville सहित) और एक डिफरेंशिएबल एजेंट-आधारित मॉडल पर मान्य किया गया है।

ब्लाइंड टेस्ट: टैक्सोनॉमी की त्रुटि स्केलिंग संबंधी भविष्यवाणियों को होल्ड-आउट ग्राफ और वास्तविक LLM रिस्पॉन्स फंक्शन पर ब्लाइंड टेस्ट के माध्यम से पूर्व-पंजीकृत और परीक्षण किया गया था।
खंडन और निदान (Refutation and Diagnosis): उन मामलों में जहाँ भविष्यवाणियाँ विफल रहीं (विशेष रूप से एक प्राइवेट फीड में सैचुरेटिंग वर्क रिस्पॉन्स के संबंध में), सिद्धांत ने विफलता का मात्रात्मक निदान एक 'जेन्सन बायस फ्लोर' के रूप में किया, जो बिना किसी फ्री पैरामीटर के देखे गए त्रुटि से मेल खाता था।
तंत्र की पहचान (Mechanism Identification): शोध पत्र प्रदर्शित करता है कि "रीजनिंग" स्टेप (Chain-of-Thought), न कि प्रॉम्प्ट की शब्दावली, फिलिप्स कर्व जैसे उभरते मैक्रोस्कोपिक कानूनों के लिए महत्वपूर्ण चालक है।

मुख्य परिणाम

EconAgent: शोध पत्र EconAgent मैक्रोइकॉनोमी का पुन: कार्यान्वयन करता है। यह पाता है कि ओकुन्स लॉ (Okun's law) एक अकाउंटिंग आइडेंटिटी है (जो व्यवहार-मुक्त नीतियों द्वारा भी पुनरुत्पादित होती है), जबकि फिलिप्स कर्व एक वास्तविक व्यवहार संबंधी हस्ताक्षर है जो एक एकल प्रोसाइक्लिकल लेबर कपलिंग (procyclical labor coupling) द्वारा संचालित होता है। DeepSeek के निर्णयों से फिट किया गया एक सरोगेट, प्रकाशित लक्ष्य के शोर (noise) के भीतर की त्रुटि के साथ फिलिप्स कर्व को पुनरुत्पादित करता है।
De Marzo et al. कंसेंसस गेम: शोध पत्र "क्रिटिकल ग्रुप साइज" ( $N_c$ ) की व्याख्या को एक थर्मोडायनामिक फेज़ ट्रांज़िशन के रूप में चुनौती देता है। इसके बजाय, यह दिखाता है कि $N_c$ एक धारणा सीमा (perception threshold) है: यह केवल तभी मौजूद होता है जब मॉडल की एक कमजोर बहुमत (स्लोप $\beta$ ) को हल करने की क्षमता लिस्ट की लंबाई $N$ बढ़ने के साथ घटती है। परफेक्ट रेजोल्यूशन वाले मॉडल्स (जैसे Opus-4.8) की $N_c$ अनंत होती है।
OASIS और AgentTorch: रिकमेंडर सिस्टम (recommender system) "स्विच" के रूप में कार्य करता है। ग्लोबल लीडरबोर्ड मीन-फील्ड सन्निकटन (mean-field approximation) की अनुमति देते हैं; समुदाय-आधारित फीड ध्रुवीकरण (polarization) पैदा करते हैं जिसके लिए ब्लॉक-अवेयर सरोगेट्स की आवश्यकता होती है।
डिस्टिलेशन स्केलिंग लॉ (Distillation Scaling Law): शोध पत्र मैक्रोस्कोपिक कानूनों की लागत को मात्रात्मक रूप से निर्धारित करता है, यह पाते हुए कि डेटा बजट से पहले एक क्षमता फ्लोर (लगभग 4 फीचर्स) की आवश्यकता होती है। एक बार जब यह फ्लोर मिल जाता है, तो मैक्रोस्कोपिक व्यवहार को पुनरुत्पादित करने वाले सरोगेट को प्रशिक्षित करने के लिए कुछ हजार निर्णय (लागत < $1) पर्याप्त होते हैं।
TwinMarket लिमिट: शोध पत्र एक विफलता मामले को नोट करता है जहाँ सरोगेट वित्तीय स्टाइलइज्ड फैक्ट्स (फैट टेल्स) को पुनरुत्पादित नहीं कर सका क्योंकि एलिसिटेड (elicited) एजेंट व्यवहार सबक्रिटिकल (subcritical) था; गायब घटक मार्केट मैकेनिज्म की कपलिंग स्ट्रेंथ थी, न कि एजेंट की क्षमता।

महत्व और दावे

शोध पत्र का दावा है कि मैक्रोस्कोपिक उद्देश्यों के लिए, बड़े LLM समाजों को भारी कंप्यूट बजट के बिना मॉडल किया जा सकता है, बशर्ते सिमुलेशन के डिज़ाइन का विश्लेषण "परसेप्शन-ऑर्डर टैक्सोनॉमी" के लेंस के माध्यम से किया जाए।

प्राथमिक महत्व "ब्लैक बॉक्स के रूप में सिमुलेशन" से "एक मापने योग्य प्रणाली के रूप में सिमुलेशन" की ओर बदलाव में निहित है। महंगे एजेंटों को सस्ते सरोगेट्स से बदलकर, शोधकर्ता:

स्केलेबिलिटी की भविष्यवाणी कर सकते हैं: इंटरैक्शन डिज़ाइन के आधार पर यह निर्धारित करने के लिए कि क्या सस्ता मॉडलिंग सफल होगा या विफल होगा।
तंत्रों को अलग कर सकते हैं (Isolate Mechanisms): यह पहचानने के लिए कि कौन सा विशिष्ट सूक्ष्म विशेषता (जैसे रीजनिंग, मेमोरी कर्नेल, रिस्पॉन्स कर्वेचर) मैक्रोस्कोपिक घटना को संचालित करती है।
अनुसंधान का लोकतंत्रीकरण कर सकते हैं: मानक हार्डवेयर पर LLM समाजों के स्केलिंग लॉ और फेज़ व्यवहार के अध्ययन को सुलभ बनाना।

लेखक विनम्र बने हुए हैं, यह स्वीकार करते हुए कि कम्यूटेशन डिकंपोजिशन एक ह्यूरिस्टिक (heuristic) है न कि एक प्रमेय (theorem), और सबसे कठिन परीक्षण—लक्ष्य के अपने मॉडल का उपयोग करके लक्ष्य के सटीक प्रकाशित नंबर को पुनरुत्पादित करना—एक खुला प्रश्न बना हुआ है। हालाँकि, शोध पत्र का दावा है कि सरोगेट का फिट मैक्रोस्कोपिक कानूनों के अंतर्निहित सूक्ष्म चालकों के एक मजबूत माप के रूप में कार्य करता है।