3.7万token/s实现千万级家庭仿真，准确率超越硅谷Jev模型，港大罗晔教授团队发布YN决策模型

在《黑客帝国》里，架构师（The Architect）可以随手改写 世界的规则，来观测世界的反应： 模拟并不罕见，从 25 个 agent 的斯坦福小镇到 MiroFish，从 Twinmarket 到 MatrAIx, demo 层出不穷，一个重要的问题却还没有实质突破： 随着模拟的尺度增加，大模型处理模拟的 token 成本，GPU 时间成本，harness 成本，往往呈现几何级增长，也就是说，技术没法简单的 scale up，昂贵的 API 和 GPU 成本也让百万 - 千万 agent 级的社会级模拟变成大厂和垄断资源团队的专利。 这一次，香港大学 S²-MAS 研究团队把社会仿真的家庭规模扩展到了 1200 万户，成本仅仅是 14 张 GPU，耗时 4 小时。这项研究由罗晔教授指导，李阳、王一可为共同第一作者。该计算效率让单卡服务器开展百万级 Agent 模拟成为可能，也让大规模社会仿真走进更多研究团队 —— 技术平权由此有了具体的落点。 论文标题：S²-MAS: A Society-Scale Multi-Agent Simulation Framework with 500 Million Household Persona Agents 论文地址：https://arxiv.org/abs/2610.27746 项目地址：https://github.com/KataDavidXD/s2-mas 模型权重：https://huggingface.co/collections/ya9919/s-mas-models-sharp 数据资源：https://huggingface.co/collections/ya9919/s-mas-dataset-resources 作者解读：https://huggingface.co/blog/ya9919/s2-mas 这项工作由香港大学罗晔教授牵头，合作单位包括香港大学经管学院、香港大学经管学院深圳研究院、深圳河套学院、新加坡国立大学风险管理研究所、加州理工学院、香港大学计算与数据科学学院、南洋理工大学、密歇根大学安娜堡分校、香港中文大学以及江西科技师范大学人工智能学院。 规模化的第一性原理 “规模化需要的是百倍的加速，所以我们需要的不仅仅是更快的 agent infra，而是重新从 0 思考如何社会级仿真如何成为可能”。罗晔教授的核心思路是回到第一性原理，把社会仿真的三环从头重构。整套框架主要包含三个核心部分：1. 5 亿份消费者家庭画像库，2. 轻量决策模型家族 YN-mini，3. 高性能仿真引擎 Genese。 S²-MAS 整体框架。家庭画像、决策学习与 Genese 引擎连接人口构建、行动选择和财务账本；下方展示人口规模实验、固定面板逐月场景和家庭消费 — 储蓄问题。 数据：从 5 亿画像库到 1200 万家庭 36 维家庭画像与条件生成 S²-MAS 的 persona （人设）以家庭及其金融决策者为描述对象。每份画像采用统一的 36 个结构化字段，覆盖人口背景、家庭结构、收入、支出、资产、债务和金融态度。这些信息共同决定一户家庭面对消费与融资方案时的起点。年龄和就业状态影响收入与需求，家庭成员构成影响支出安排，资产和负债则影响家庭能够动用多少资金，以及需要承担多少支付压力。 按信息用途，这些字段可以概括为以下几方面： 研究者可以据此筛选不同家庭群体，也可以让同一批家庭面对相同的消费任务，比较年龄、收入、家庭人数或财务状况怎样改变决策。 在大规模处理时，这些字段以数值编码保存，方便筛选、分组和批量计算；进入决策模型前，再转换成模型能够读取的家庭描述。统一的结构让同一份画像可以进入不同金融任务，也让不同模型能够在相同家庭条件下进行比较。 数据构建：保留家庭属性之间的联系 这套家庭画像以 真实调查数据为基础。团队先完成数据清理、翻译和统计口径统一，将家庭背景与财务信息整理为共同的结构化表示，再据此构建大规模合成人口。 构建过程中，家庭属性之间的联系是重点。收入、消费、资产和债务通常会共同变化，年龄与家庭结构也会影响这些财务特征。S²-MAS 在年龄、家庭收入和总支出等条件下，对相关财务属性进行联合采样，并通过兼容性约束保持属性组合的协调。 例如，两户收入相近的家庭，可以拥有不同的资产和债务，也可以承担不同的消费支出。生成过程保留这些差异，同时维持收入、消费和财务状况之间的联系，让后续模型面对有差别的家庭条件作出选择。在扩展到 5 亿份画像时，团队进一步对家庭规模、债务、住房持有和金融资产等选定的人口分布进行统计校准，并细化部分高金额档位。缺失或未知的信息保留为明确类别，进入后续处理。 团队还使用主成分分析（PCA），检查收入、支出、资产、债务等属性怎样共同变化。在 5 亿画像的 50 个数据分片中，第一主成分平均解释 32.62% 的方差，主要属性的贡献在不同分片间保持稳定。这项分析用于检查人口扩展后的财务结构，为后续分组实验提供依据。 Coherence test：画像是否准确、完整、前后一致 在画像质量验证上，S²-MAS 沿用了 MatrAIx 的五维画像质量评测框架，并采用相同的 “100 份画像、6 位人工评分者” 评测设计，从准确性、有无无依据的推断、信息覆盖、内部一致性和整体还原度五个方面打分。MatrAIx 的评测方法见论文 Appendix J。 研究者选取 100 份处理后的真实调查画像，对照 44 个处理后参考字段开展评估。每位评分者都对全部画像的五个维度给出 1—5 分，最终形成 3000 项人工评分。 结果显示，画像的人工质量总均分达到 4.570/5，87.8% 的评分为 4 分或 5 分。其中，准确性达到 4.685/5，内部一致性达到 4.670/5，信息覆盖达到 4.985/5。 信息覆盖的表现尤其突出：600 次覆盖度评分中，591 次获得满分。这意味着，画像在转换成模型可读描述时，保留了绝大多数需要呈现的家庭信息。团队同时使用 DeepSeek 和 GLM 进行自动评测，并将它们的评分与六位人工评分者的均值逐项比较。两个模型各完成 500 项 “画像 × 维度” 比较，均有 94.0% 的评分与人工均分相差不超过 1 分。进一步使用 DeepSeek V4 Pro 和 GLM 5.3 复评，一分以内一致率分别达到 94.3% 和 94.0%。完整结果见 S²-MAS 论文 Figure 4 和 Supplementary Methods M7。研究者还主动向画像中注入错误，包括修改事实、添加无依据信息、遗漏重要字段，以及制造内部矛盾。对于这四类错误，GLM 在 95.8%—100% 的有效配对中，将对应维度评分下调至少 1 分；其中，24 个有效的信息遗漏配对全部触发降分。人工高分、模型与人工的一致性，以及对已知错误的响应，共同构成了画像质量的检验结果。 模型：从逐 Token 生成到单卡 3.7 万 token/s 常见的生成式大模型以自回归方式输出答案：先生成第一个 token，再根据已有内容生成下一个，直到整段回答结束。即使最终需要的只是 {"choice":"B"} 这样的结构