资讯摘要
论文提出“模型容量前沿”（MCF）框架，用于刻画特定架构在其可行配置下可达到的经验性能，并在多目标场景中以估计的帕累托前沿表示。作者以约12000个智能体的大学毕业典礼人群仿真为例，先刻画传统人群模型容量，再评估逐步加入LLM的架构扩展。结果显示，初步集成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，并保留大部分流动方向收益。
要点速读
- 论文提出MCF框架，用于刻画指定架构在可行配置下可达到的经验性能，多目标下以估计的帕累托前沿表示。
- 案例为约12000个智能体的大学毕业典礼人群仿真，使用时间占用、空间分布和流动方向的经验移动数据。
- 作者报告：初步集成LLM改善流动方向但降低时间占用和空间分布；后续改进LLM层后时间占用提升、空间表现恢复，并保留大部分流动方向收益。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/20 21:06:32（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。