본 논문은 사회 시스템의 에이전트 기반 모델링(ABM)에 언어 모델(LM)을 통합하는 새로운 접근 방식인 SALM(Social Agent LM Framework)을 제시합니다. 기존의 규칙 기반 ABM의 한계를 극복하고, LM을 활용하여 인간 사회적 상호 작용에 대한 문맥적 이해를 반영함으로써 다중 에이전트 시나리오에서 전례 없는 시간적 안정성을 달성합니다. 주요 기여는 다음과 같습니다: (1) 4,000 타임스텝 이상의 안정적인 시뮬레이션을 가능하게 하고 토큰 사용량을 73% 줄이는 계층적 프롬프팅 아키텍처, (2) 80%의 캐시 적중률(95% CI [78%, 82%])과 9.5%의 점근적 메모리 증가율을 달성하는 어텐션 기반 메모리 시스템, (3) 성격 안정성에 대한 공식적인 경계 설정입니다. SNAP ego 네트워크에 대한 광범위한 검증을 통해, 장기적인 사회 현상을 모델링하면서 경험적으로 검증된 행동적 충실도를 유지하는 최초의 LLM 기반 프레임워크임을 보여줍니다.
