Naukowcy opracowali praktyczną metodę symulowania dużych społeczeństw agentów opartych na modelach językowych bez potrzeby dysponowania mocnymi zasobami obliczeniowymi. Zamiast uruchamiać setki czy tysiące rzeczywistych zapytań do dużych modeli AI, zastępują każdego agenta uproszczonym modelem matematycznym, którego parametry pochodzą z zaledwie kilkaset do kilka tysięcy tanich zapytań do systemów takich jak DeepSeek. To podejście pozwala następnie symulować całe społeczeństwa na standardowym laptopie.
Klucz do powodzenia tej metody leży w precyzyjnym zdefiniowaniu, co każdy agent obserwuje w symulacji i jaką ma pamięć. Badacze stworzyli taksonomię opartą na kolejności interakcji i zapamiętywaniu, która przewiduje, jak błąd symulacji będzie się skalować wraz ze wzrostem liczby agentów w systemie. Teoria ta ma prognozować trendy błędów bez konieczności wprowadzania wolnych parametrów.
Walidiacja metodologii odbywała się na rzeczywistych symulacjach, w tym na słynnym eksperymencie EconAgent symulującym ekonomię opartą na agentach LLM, gdzie decyzje agentów były klonem wyników uzyskanych od rzeczywistych dużych modeli. Przewidywania teoretyczne dotyczące trendów błędów potwierdzały się empirycznie, a nawet dwa przypadki, gdy teoria pierwotnie nie zgadzała się z obserwacjami, okazały się być związane z nasycającą się odpowiedzią modelu - coś, co teoria potrafiła wytłumaczyć ilościowo bez dodatkowych założeń.