생성형 에이전트(Generative agent) 사회는 부여된 역할, 선호도, 관계를 가진 사람들을 시뮬레이션합니다. 에이전트들이 논증을 주고받고 대화 상대를 선택함에 따라, 이들은 자신의 입장을 수정하고 토론 구도를 재조직할 수 있습니다. 이러한 변화를 이해하려면 이들이 무엇을 수용하고 상호작용을 어떻게 이어가는지 살펴봐야 합니다. 입장 변화 점수와 총 의사소통량은 변화의 폭을 설명해 줍니다. 그러나 동일한 입장 이동이라도 부여된 선호도를 유지하거나 뒤집을 수 있으며, 빈번한 의사소통은 합의뿐만 아니라 지속적인 이견을 뒷받침할 수도 있습니다. 이에 따라 본 연구에서는 변화된 입장의 내용과 특정 협력 관계를 강화하는 상호 교환을 조사합니다. 계산 다중 에이전트 사회 실험(CMASE)을 활용하여 입장 척도, 출처 평가, 시간적 네트워크를 개별 답변 및 메시지와 결합합니다. 연구 1은 조건당 10회의 GPT-4o 실행에 걸쳐 7가지 조건을 비교하며, 4개 모델을 아우르는 별도의 인터뷰 수집을 포함합니다. 연구 2는 하나의 75단계 GPT-4o 카페 시뮬레이션을 추적합니다. 환경적 합리적 설득은 가장 큰 평균 입장 이탈(7점 척도에서 $1.30\pm0.08$)을 보이는 반면, 경제적 감정적 설득은 가장 높은 낮은 신뢰 기반 입장 변화율(실행 간 표준편차 포함 $17.3\%\pm11.2\%$)을 나타냅니다. 별도 인터뷰에서 8개의 환경 에이전트는 입장을 7에서 6으로 변경하고 경제적 우려를 인정하며 출처를 3으로 평가합니다. 이들의 부분적 수용은 부여된 환경 선호도를 유지합니다. 카페 시뮬레이션에서는 이전에 교류가 전혀 없던 한 쌍이 25개의 메시지를 주고받으며 최종 단계에서 가장 빈번한 파트너십을 형성합니다. 이 구성원들은 조율 제안을 발전시키면서도 그 실행을 두고 논쟁을 벌입니다. 이러한 결과는 부분적 수용이 낮은 출처 신뢰도와 공존할 수 있으며, 지속적인 조율이 계속되는 이견과 함께 나타날 수 있음을 보여줍니다.
능동 추론(active inference)에 기반한 다중 에이전트 시뮬레이션으로 구조화된 사회 네트워크 위에서 사회적 순응과 창의적 이탈의 변증법적 상호작용을 형식화한다. 각 에이전트가 내부 생성 모델을 유지하며 이웃과 소통해 사회적 사전을 형성하고 새로운 관측을 창출·선택적으로 기억하는 과정에서, 정보적으로 응집된 사회 집단이 내인적으로 출현하고 사회적 표상과 관측 분포가 순환적으로 상호 구성되며, 창작물은 지역적 상호작용을 통해 문화적 틈새를 이루는 선택적·이질적 전파 패턴을 보인다.
SocaSim은 퍼트남의 사회자본 이론(소셜 네트워크, 신뢰, 규범)을 LLM 기반 다중 에이전트 시뮬레이션으로 모델링하기 위한 프레임워크로, BDI 인지 구조와 라운드 기반 집단 행동 실험을 통해 이론적 거시 패턴을 재현한다. 스마트 노인 돌봄 시나리오에 적용한 반사실적 개입 실험에서 초기 신뢰 향상이 기술 수용률을 15.4% 높이고 의사결정 모순을 25.5% 줄이는 인과 경로를 미시적 수준에서 추적했다.
RosettaSim은 대규모 언어 모델(LLM)의 어텐션 메커니즘과 구조적 사전지식을 활용하여 에이전트의 진입·이탈이 동적으로 발생하는 장기 교통 시뮬레이션을 통합 자기회귀 스트림으로 모델링하는 프레임워크다. Waymo Open Sim Agent Challenge(WOSAC)에서 단기·장기 시뮬레이션 모두 최고 성능을 달성했으며, 의미적으로 유사한 실제 시나리오를 검색해 문맥 인식 평가 기준으로 삼는 Retrieval-based Traffic Evaluation(RTE)은 기존 방법(r=0.74)보다 높은 상관관계(r=0.83)로 장기 시뮬레이션 품질을 더 신뢰성 있게 측정함을 보였다.
Fei Xiaotong's Differential Order Pattern characterizes rural society as egocentric and relationally graded, with cooperation attenuating over social distance. Although often treated as culturally specific, its mechanistic basis remains under-operationalized, and prior LLM-based simulations have mainly addressed short-term coordination rather than long-horizon social structure. We propose CAREB-MAS, a multi-agent framework grounded in Affect Control Theory, Social Identity Theory, and Durkheimian collective affect. Agents reason through an emotion-ethics-belief chain and maintain dynamically evolving egocentric identities, while the macro environment specifies only individual production, preference-based allocation, and minimal interaction protocols. Across long-horizon simulations, agents spontaneously reproduce five core Differential Order phenomena: stable labor specialization, guanxi-based economic ethics, relational decay of cooperation, emergent relational authority, and clan-based center-periphery stratification. These patterns shift with production structure from kin-centered integration toward greater functional interdependence. Extensive experiment results support interpreting Differential Order as a structure-sensitive emergent outcome of general social mechanisms, with LLM-based multi-agent simulation providing an interdisciplinary framework for studying social structure and change.
소셜 미디어 상호 합의(cross-consensus) 커뮤니티 팩트 체크의 지연과 낮은 평가 비율 문제에 대응해 X에서 수집한 250만 개 커뮤니티 노트와 2억 개 이상 평가로 ComRate 데이터셋을 구축하고, 행렬 분해된 평가자 공간에서 페르소나 에이전트(agent)가 공식 평가 스키마에 따라 신뢰도·동의·이유 등 구조화된 판단을 내는 MultiCom 프레임워크를 제안합니다. 폴드 외부(out-of-fold) 보정 집계가 원본 투표와 진단적 이유 신호를 결합해 예측을 안정화하며, 평가 세트에서 평균 정확도 84.7%를 달성해 대안 방법보다 우수한 성능을 보였습니다.
인간은 사회적 삶을 통해 학습합니다. LLM(대규모 언어 모델) 기반 에이전트를 사용하여 이 과정을 시뮬레이션하는 것은 유망한 연구 방향이며, 다음과 같은 자연스러운 질문을 던집니다. 즉, LLM이 인간의 행동을 더 잘 이해하고 재현하기 위해 이러한 시뮬레이션된 사회적 경험으로부터 학습할 수 있는가 하는 것입니다. 그러나 기존 에이전트 사회 시뮬레이션은 대개 며칠 수준의 규모로 운영되어 사회적 상호작용의 깊이와 장기적 성장을 제한한다는 한계가 있습니다. 본 논문에서는 에이전트 사회 내에서 장기적인 삶 시뮬레이션과 LLM 학습을 연구하며, 두 가지 목표를 가집니다: (1) 평생에 걸친 시뮬레이션에서 발현되는 사회적 행동을 조사하고, (2) 수년간의 시뮬레이션된 사회적 경험을 통해 LLM의 인간 유사 능력, 특히 사회적 삶에서의 지능을 개발하는 것입니다. 구체적으로, 우리는 다중 에이전트 사회에서의 장기적인 삶 시뮬레이션을 위한 포괄적인 프레임워크인 Agentopia를 제시합니다. 여기서 100개의 에이전트는 10개의 시뮬레이션 연도에 걸쳐 자율적으로 개인의 성장을 추구하고, 사회적 관계를 형성하며, 자신의 욕구와 목표를 충족해 나갑니다. 우리는 인간의 웰빙(well-being)을 반영하는 생활 보상(life reward)을 정의하고, 이 보상을 활용하여 거부 샘플링(rejection sampling) 방식으로 LLM을 학습시킵니다. 광범위한 실험을 통해 에이전트들이 풍부한 창발적 사회적 행동을 보여줌을 확인했습니다. 또한, 생활 보상 학습은 기본 LLM을 효과적으로 향상시켜 시뮬레이션 내 에이전트의 웰빙을 개선할 뿐만 아니라, 하류 역할극 벤치마크에서도 +15.6%의 성능 향상을 보이며 일반화되었습니다.