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

发布时间：2026-11-06T18:20:00+08:00　来源：机器之心　分类：llm

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"} 这样的结构化选择，模型仍然要逐步生成这段文本，再由程序解析成行动。

仿真里的大多数决定，本质上都是一道结构化选择题：给定当前家庭处境、一个具体问题和几个明确的可执行选项，家庭会选哪一个？

因此在模型结构上，S²-MAS 采用 “预训练主干＋决策头”：由 ModernBERT 或 Qwen 处理家庭状态、问题与候选行动，再由决策头对候选行动打分，决策头由可训练的打分网络和概率归一化层组成：它将每个候选行动对应的隐藏向量映射为一个标量分数，再通过 softmax 转换成总和为 1 的选择概率，不再 autoregression。

也就是说，决策模型会直接给出选项的选择什么，而不是逐个 token 输出。

同时为了确保仿真质量，训练专门为场景准备的决策模型，直接对候选行动打分并输出选择概率。团队将 417 万条真实调查问答整理成「家庭状态 + 问题 + 选项」的统一格式，按受访者分组严格切分训练、开发与测试集。

在训练决策模型时，S²-MAS 系统比较了六种主流的实现方案，围绕两类预训练主干构建决策模型。一类采用 ModernBERT 编码器，沿用 Laya 的候选选项打分架构，形成紧凑的 YN-mini 路线；另一类采用 Qwen3.5-4B-Base 和 Qwen3.5-9B，在主干上训练决策头，并通过冻结主干或加入 LoRA，比较不同适配方式的效果。

ModernBERT 编码器 SFT： 对 Laya 的编码器与选项打分头进行监督微调，学习调查记录中的回答或家庭属性目标。

ModernBERT 编码器 SFT→CE： 从 SFT checkpoint 出发，继续使用交叉熵训练，比较增加训练投入带来的变化。

ModernBERT 编码器 SFT→RLCD： 在监督微调后，结合交叉熵与基于概率评分奖励的策略梯度，继续优化候选行动的概率分布。

Qwen 4B 冻结主干＋决策头： 固定 Qwen3.5-4B-Base 的主干参数，仅训练决策头。

Qwen 4B LoRA＋决策头： 在 Qwen3.5-4B-Base 上联合训练 LoRA 适配器与决策头。

Qwen 9B LoRA＋决策头： 在 Qwen3.5-9B 上采用相应方案，比较更大主干带来的效果。最终，团队开源了涵盖 421M、322M、4B 和 9B 四个参数规格的 YN 决策模型家族（共 10 个训练变体比较监督微调、继续训练、主干适配和模型规模的作用）以及完整的训练与评测代码。主力模型 YN-mini 基于 Laya 决策架构（3.95 亿参数 ModernBERT-large 主干加选项打分头），总参数量约 4.21 亿，经两阶段 SFT 与原生 RLCD 训练而成；其 MLX FP16 版本 YN-mini 用于论文中的千万级家庭仿真。

此外，YN 模型家族还包括 YN-Master-9B 和 YN-Dual-belief 系列：前者聚焦金融专业问答的泛化能力，后者探索信念（belief）建模与双头架构，两者在各自的相关评测中均取得优异表现。YN 取自 Yes/No，体现了这一模型家族的核心定位 —— 面向具体情境、直接作出选择的决策模型。

决策模型接口与训练路线。上半部分（a），共同测试中的 15 个模型按接口分为 6 类路线；下半部分（b），团队在 Laya 编码器和 Qwen3.5 两条主干上，系统对比 SFT、继续 CE、SFT+RLCD、仅训练决策头与 LoRA 等方案，形成 10 个公开训练版本。

24 万道场景内模拟效果测试

在留出的 240,458 道单轮消费者金融选择题（覆盖 119 个问题版本、8,275 个受访家庭组）上，团队将 YN-mini 与多款主流通用大模型及专用决策模型进行了场景内模拟效果测试:

注：节选自论文 Table 4a（完整表含 14 个参评模型与基线，测试集为相同的 240,458 条留出消费金融问答记录）。

注：论文 Table 4b 在相同的 500 组（14,441 条记录）固定的分组抽样样本上对 GPT-6-Astra 进行了配对评测：YN-mini 为 74.73% 准确率 / 37.30% F1，GPT-6-Astra 为 69.34% 准确率 / 36.24% F1。

在这项消费者金融选择基准上，仅 4.21 亿参数的 YN-mini 取得了参评模型中的最高准确率（74.55%）：比 Jev 1.13 高出 9.30 个百分点，比总参数量达 3200 亿的 GLM-5.3-Flash 高出 5.68 个百分点；在固定分组抽样上也比 GPT-6-Astra 高出 5.39 个百分点。在按题目等权的宏平均 F1 上，YN-mini（38.37%）同样高于 GLM-5.3-Flash、Jev 1.13 和 DeepSeek-V4.1-Flash。

意味着对于场景内的 one-shot 模拟，昂贵的 api 和大集群部署并不是必需品。当然，这一优势针对的只是单一场景内的优先模拟能力，不代表泛化性和开放推理能力。

专用小模型用候选选项直接打分取代了逐字做自回归生成，把推理开销降到了社会规模可承受的范围内。在单张 A100 的部署测试中，YN-mini 达到了 3.7 万 token/s，吞吐量达到 Jev API 的 22.72 倍，万次家庭决策，由此从「调不起」变成了「跑得快」。

引擎：性能和结构需要支持千万户同时做决定

模型做出选择，仿真才走完一半。千万户家庭同时做决定，背后的执行引擎既要喂得饱 GPU 和模型，又必须保证财务账本一分钱都不算乱。

罗晔教授团队此前开发的 Genese 引擎发挥了举足轻重的作用，结合微服务架构与 ECS 加速，在解耦性，事务一致性，与速度中做出了平衡。

实体 — 组件数组批量更新：家庭状态按结构化数组存储，同类财务更新一次性向量化批量完成，而非逐户循环修改；

状态与事件原子提交：世界状态、事件日志与命令结果在同一事务边界内统一写入，杜绝「账改了、记录没留」的状态漂移；

快照回滚恢复：任一分区步骤更新异常时，自动回滚至当前轮次起始快照；

多分区异步流水线：数据准备、模型推理与账本记账在不同批次间重叠执行，消除 GPU 空转等待。

应用规则插件化： 消费、融资、偿付等规则通过统一的状态、决策和执行接口接入；新增或调整实验时，可替换规则模块，灵活扩展实验场景。

应用层月度家庭账本以「分」为最小货币单位，按固定会计顺序依次结算收入、借款、消费与到期还款，每一笔资金缺口均独立留痕。

Genese 引擎的状态更新边界。「世界」以实体 — 组件数组存储家庭状态，向「大脑」分批请求决策，校验行动意图后与事件记录原子提交；数据准备、模型推理与记账在不同分区间流水线重叠执行。

在受控性能基准上，使用同一真实模型在单张 T4 GPU 上运行 1,000 个智能体，Genese 单轮耗时 6.17 秒，比 OASIS 和 OneSim 分别节省约 17% 和 20% 的时间；当固定决策后端、纯粹评测引擎调度与记账开销时，Genese 的执行速度达到 AgentSociety、OneSim、OASIS 和 MiroFish 的 2.12 至 4.10 倍 。

在 1200 万户的正式运行中，Genese 将任务切分为 2400 个工作单元，在 14 张 GPU 上流水线并行，最大化发挥了模型性能，端到端平均每秒完成约 1672 次家庭决策，处理速度约 88.6 万 token/s。

规模化与协调效应

把 5 亿画像库、YN-mini 决策模型与 Genese 引擎接在一起，就构成了本次的规模化实验。

研究团队从人口库中抽取 1200 万户不同合成家庭，让每一户分别面对两组配对条件：「2 万元消费目标 + 2 万元授信额度」与「3 万元消费目标 + 3 万元授信额度」。每户家庭在暂缓购买、动用储蓄加借贷一半、全额分期（年利率 5%，24 期）之间做出选择，随后由月度账本向后推演 12 个月的财务轨迹：

仿真规模：1200 万户不同合成家庭、2400 万次配对决策、2.88 亿条月度账本状态；

硬件配置：14 张 GPU（8 × H100 80GB + 6 × A100 40GB）；

端到端用时：3 小时 59 分 17 秒（14,356.98 秒）。

在论文统计的已完成大模型驱动多智能体仿真研究中（Table S9），此前工作多在数万至百万智能体量级，S²-MAS 将实际完成仿真的异质家庭主体数量推进到了千万级。

1200 万户配对实验设计。每户家庭在两种购置目标与授信条件下各做一次选择，共完成 2400 万次选择、计算 2.88 亿条月度账本状态；右侧展示条件提高后，家庭消费、期末现金、负债与模拟违约率的平均变化。

从总体均值看，当购买目标与授信上限同步从 2 万元提高到 3 万元，每户全年总消费平均增加 2887.18 元，期末现金减少约 929 元，期末负债增加约 2072 元，模拟违约率上升约 1.67 个百分点。

但千万级规模真正的价值，在于能够把总体平均数拆开，看清不同处境家庭的分化反应：

年龄分化：决策者在 25–34 岁的家庭消费增量最大，平均达 9161.69 元；55–64 岁家庭仅增加约 13 元；而 65 岁以上的 236.4 万户家庭在两种条件下全部选择暂缓购买。

教育差异与购买转化：在标准化年龄与收入分布后，大学学历家庭的消费增量约 3821 元，小学及以下学历家庭约 398 元。账本拆解显示，差异主要来自「从暂缓购买转为购买」，而非同类买家单纯多花钱。

资产负债状况：期初背负 200 万至 500 万元债务的家庭，新增消费几乎全部转化为期末负债；而无初始债务的家庭，则更多通过动用现金储备与按期还款来消化。

如果只模拟几万户家庭，或许也能估出一个粗略的总体均值；但要在 42 个「年龄 × 收入」网格上，继续按教育、就业、资产、负债逐层交叉切片并保持统计稳定，每一个细分格子里都必须装进足够多的家庭。这些颗粒度极细的结构性分化，正是千万级规模换来的视野。

不同家庭群体的消费异质性与财务渠道分解。消费增量随决策者年龄和家庭收入明显分化；账本进一步把新增消费拆解为现金动用、期内还款与期末新增负债。

从情景模拟走向家庭消费预测

在完成千万户情景模拟后，团队又用真实家庭的消费记录检验模型：给定家庭的收入、现金和政策变化，YN 模型能否预测他们一年会花多少钱？这次实验使用 1,060 户家庭，比较 YN-Lite-4B、YN-master-9B 的预测与实际消费有多接近。

对照采用 HANK-style 家庭优化方法构建的完全理性基准（fully rational benchmark），求解家庭在预算约束下的最优消费与储蓄安排。YN 模型则直接为 33 个可行消费选项给出概率，每月执行概率最高的一项，再更新剩余现金。两类方法面对相同家庭、预算和选项，区别在于消费决策如何产生。

实验选取 2018 年个税改革作为政策场景。从当年 10 月 1 日起，工资薪金所得的基本减除费用由每月 3,500 元提高到 5,000 元，并调整税率级距。模拟从 9 月已知政策安排的状态出发，10 月起将减税增加的收入计入预算；9—12 月的预测消费加上共同的前八个月消费基数，得到全年预测值。

政策依据：财政部、税务总局财税〔2018〕98 号（2018 年 9 月 7 日）

家庭消费预测的流程（论文 Figure 10）。从家庭收入和现金出发，决策规则确定每月消费，账本据此更新剩余现金并进入下一月。图中同时展示独立决策和接受理性建议的模型；D 表示收入确定的环境，R 表示收入存在风险的环境。

9B 降低逐户预测误差 4B 减少收入分组偏差

逐户比较预测值与实际消费，独立决策的 YN-master-9B 年度平均绝对误差（MAE）为 51,312 元，比理性基准降低 3.42%；对较大误差更敏感的均方根误差（RMSE）降低 3.15%。

研究者还按收入把家庭分成低、中、高三组，检查预测会不会对某类家庭整体估得偏高或偏低。YN-Lite-4B 在这项分组比较中更接近实际，衡量各组平均对数误差的拟合距离比理性基准降低 14.26%。

节选自论文 Table 8。结果按家庭权重计算，金额为 2018 年名义元；实际年度消费均值为 99,300.73 元。表中比较采用确定收入、零利率和相同消费选项（D 环境）。

9B 的逐户误差改善主要来自高收入家庭，该组 MAE 从理性基准的 90,874 元降至 83,282 元。低、中收入组以及按财富划分的各组 MAE 见论文 Table 9。

家庭消费预测的两种比较（论文 Figure 11）。左侧衡量每户家庭的预测误差，右侧衡量按收入和财富分组后的系统性偏差；数值越低，越接近实际记录。图中同时列出独立决策和接受理性建议的模型，D、R 分别表示收入确定和收入存在风险的环境。

模型是不是记住了历史答案

用过去的政策检验模型，也会遇到一个问题：它可能在训练时见过相关历史。团队因此保留减税政策内容，只将年份从 2018 改为 2031，观察模型在未来年份下是否仍作出相同判断。测试只提供政策描述，询问全年消费方向、变化幅度和 12 月消费方向；通过改写问法、调换选项顺序，每个模型形成 12 组仅年份不同的对照。

两种模型在各自 12 组对照中，最高概率选项全部一致：9B 在全年和 12 月的消费方向题上仍选择 “增加”，对增幅仍选择 “无法确定”；4B 对三类问题都选择 “无法确定”。年份变化影响了部分选项的概率，但没有改变最终选择。

这项实验将 YN 决策模型用于可与真实记录比较的家庭消费预测，也为大规模仿真提供了另一条可行路线：让模型根据每户家庭的处境作出决策，再用统一账本计算这些选择带来的财务变化。

属于所有人的大规模仿真

S²-MAS 更长远的意义，在于降低社会规模仿真的研究门槛。这条路径为资源有限的研究团队提供了更多选择：从具体场景出发，训练适合任务的模型，把有限算力用于更大的人群、更细的分组和更多方案的比较。

计算成本下降，也会改变研究者能够提出的问题。环境与规则的变化怎样影响不同群体，个体选择如何汇成整体结果，同一方案的影响又会怎样因人而异 —— 这些问题都需要在不同条件下反复比较。更低的实验成本，让同一笔研究预算能够覆盖更多假设、更多人群和更多次重复实验，也让总体变化背后的个体与群体差异更容易被看见。

技术平权还需要可以接续使用的研究资源。团队已发布 YN 决策模型、六条训练路线对应的 10 个对比训练版本及配套训练与评测代码，并提供科研绘图与聚合结果复现脚本、200 万份独立合成家庭画像和 32,000 条无标签任务输入。模型与部分合成数据按各自的科研使用条款提供。

熟悉宏观经济、地方经济与家庭行为的研究者，可以构建贴近实际工作的任务，并用真实行为证据检验模拟结果；模型研究者可以改进决策学习、概率校准和跨场景适配；开发者可以完善批量推理、实验组织和结果分析工具。统一的任务与决策接口，让这些工作更容易连接，也让不同方法能够在相同条件下比较。社区能够共同积累的，将是一套持续扩展的实验方法与研究经验。

技术平权最终指向研究与商业化机会：让更多团队有能力提出自己的问题、运行自己的实验。从这个意义上看，YN 决策模型和 Genese 引擎的完美结合，展示了社会规模仿真走向更广泛的例如政策推演、营销预测、交易预测等广泛领域的可行路径。

关于罗晔教授和 S²-MAS 团队

罗晔教授毕业于麻省理工学院（MIT）, 先后获得数学与经济学学士、经济学博士。现任香港大学经管学院终身副教授，从 2025 年起同时担任深圳河套学院社会科学智能中心联合主任。S²-MAS 由香港大学罗晔教授研究团队牵头，联合深圳河套学院、加州理工学院、新加坡国立大学、南洋理工大学、密歇根大学安娜堡分校、香港中文大学、江西科技师范大学等机构共同完成。

论文第一作者为香港大学的李阳（Yang Li）与王一可（Yike Wang，共同一作），通讯作者为香港大学罗晔（Ye Luo）教授。作者包括：Di Wan（香港大学）、Chujun He（香港大学）、Zongsi Xu（香港大学）、Yitao Yu（香港大学）、Shuai Zhong（香港大学）、Minghao Pan（加州理工学院）、Quanfeng Lu（香港大学）、Xiyu Chen（香港大学）、Sheng Zhong（香港大学）、Deng Binjie、Yichen Guo（南洋理工大学）、Zhenwei Guo（新加坡国立大学）、Hou Jun（香港大学）、Kunhan Guo（香港大学）、Weihao Lin（香港大学）、Tuo Zhou（香港大学）、Hai Liu（江西科技师范大学）、Chenwei Wu（密歇根大学安娜堡分校）、Jianyuan Zhong（香港中文大学）、Xilin Dai（香港中文大学）。研究合作联系：yl9919@connect.hku.hk。

原文链接：https://www.jiqizhixin.com/articles/6a53c047-4a30-4130-8ce9-33f3fe73caf3

更多AI行业深度分析，请访问 AI最前沿（aiforefront.cn）。