연구자들은 인간의 이동 모델과 파인튜닝된 크로스 인코더를 결합하여 대규모로 의미론적으로 풍부한 도시 루틴을 생성하는 상호작용형 도시 시뮬레이션 플랫폼인 CityBehavEx를 제시했습니다. 이 접근 방식은 각 에이전트 행동마다 대형 언어 모델을 호출하는 것을 피하며, 단일 소비자 GPU에서 75일 동안 10만 명의 에이전트를 1시간 미만으로 시뮬레이션할 수 있게 합니다.
- 에이전트 프로필과 활동 전이 간의 의미론적 정렬을 추정하기 위해 확립된 인간 이동 모델과 파인튜닝된 크로스 인코더를 통합합니다.
- 현실 세계의 공간적, 시간적 및 의미론적 분포와 더 잘 일치하는 이동 패턴을 생성합니다.
- 사용자가 시뮬레이션 영역을 정의하고 궤적을 검사하며 행동을 디버깅하고 현실 세계 지표에 대해 루틴을 검증할 수 있습니다.
이 플랫폼은 에이전트 행동을 검사할 수 있도록 노출하고 경험적 검증을 지원함으로써 이전 LLM 기반 시뮬레이터의 높은 비용과 약한 검증 문제를 해결합니다.