标签
本文探讨了在社会模拟中解读和引导大语言模型智能体的方法，比较了基于提示、基于SAE和基于探针的技术，发现SAE和探针方法在控制和可解释性方面通常优于基本提示。
这个实验在一个Reddit风格的论坛上运行了100个LLM人格，展示了涌现的社交动态，如派系和持久的积怨，使用Node.js构建，并使用了OpenRouter的deepseek-chat。
ExpertIVS 是一个框架，利用社会学专家代理来模拟大语言模型中的个体价值系统，在实验中实现了高还原保真度和改进的价值泛化能力。
本文提出了一种名为LifeMem的纵向记忆框架，旨在缓解LLM代理中的身份本质主义，通过增强多样性和动态演化，提高它们在社会模拟中与人类数据的对齐程度。
本文引入了一个主观性系数来解决基于准确率评估LLM社会模拟的局限性，提出了适应主观性的软标签训练（SALT）进行优化，并构建了SubjSim基准测试以针对完整响应分布进行评估。
介绍了一种用于社会模拟中角色条件化LLM智能体的激活引导筛选工作流，在OLMo-3-7B-Instruct上对275个角色清单进行了评估，结果显示角色特定方向优于助手轴方向控制。
本文在两个大规模数据集上对LLM模拟的人类调查响应进行了基准测试，发现没有模型在个体层面上能超越简单的基线，并且模型系统性地过度决定人口统计特征，扭曲了群体差异。这些失败在不同模型规模和系列中持续存在，引发了对使用合成用户进行决策支持的担忧。
AgoraSim 是一种混合智能体建模框架，结合了 LLM 智能体与经典 ABM，用于社会反应分析。它支持多模态输入和结构化决策输出，适用于面向场景的模拟。
本文介绍了AgentViSS基准，用于评估多模态社交模拟中的视觉社交智能，包含240个场景及对齐的视觉文本证据。评估七个近期MLLM发现局部角色扮演与基于视觉的交互管理之间存在差距。
介绍了Think-Before-Speak（TBS），一种基于间隔的多智能体模拟框架，将智能体的私人内部评估与公共话语生成分离，从而在社交模拟中分析从内部状态到公共表达的路径。
本文通过使用德州扑克作为受控环境，将LLM智能体中的忠实度缺口分解为推理→结论和结论→行动两个步骤。研究发现，结论→行动步骤是可靠的，而推理→结论步骤是不一致的主要来源。
本文研究了角色提示如何影响多模态大语言模型在城市感知中生成的语言，发现不同角色的描述趋于一致，而解释则随着角色属性系统性地变化。