다수의 LLM 에이전트로 이뤄진 사회를 시뮬레이션하는 것은 비용이 크지만, 실제로 필요한 것은 개별 에이전트의 인지가 아니라 위상 전이나 규모에 따른 거시적 경향인 경우가 많다. 연구진은 각 LLM 에이전트를 수백~수천 건의 저비용 질의로 학습한 저파라미터 모델로 대체해 어떤 규모의 사회든 노트북에서 시뮬레이션할 수 있는 방법을 제시했다. 에이전트가 인지하는 정보와 기억을 [상호작용 차수 x 기억] 분류체계로 매핑해 대체모델의 오차가 에이전트 수(N)에 따라 어떻게 변하는지 예측하는 이론을 세웠다. LLM 거시경제 시뮬레이션 EconAgent와 7개의 추가 시뮬레이션에서 DeepSeek로 생성한 실제 LLM 응답을 몇 달러 비용으로 복제해 검증한 결과, 예측된 오차 추세가 셀 단위로 실제와 일치했다. 이는 대규모 에이전트 사회 시뮬레이션을 훨씬 저렴하게 재현할 수 있는 실용적 방법을 제시한다.

• •LLM 에이전트를 저비용 질의 수백~수천 건으로 학습한 저파라미터 모델로 대체하는 방법 제안
• •[상호작용 차수 x 기억] 분류체계로 에이전트 수(N)에 따른 대체모델 오차 추세를 사전 예측
• •EconAgent 등 8개 LLM 시뮬레이션을 DeepSeek 응답 기반으로 몇 달러에 재현해 검증
• •예측된 오차 추세가 셀 단위로 실측과 일치, 반증된 두 예측도 이론으로 정량적으로 설명됨