MALLES: 소비자 선호도 정렬을 위한 다중 에이전트 기반 대규모 언어 모델 경제 시뮬레이션 환경

MALLES: A Multi-agent LLMs-based Economic Sandbox with Consumer Preference Alignment

현실 경제에서 현대적인 의사 결정은 고차원적이고 다중 양상적인 환경에 의해 근본적으로 도전받으며, 이는 에이전트의 이질성과 조합 데이터 희소성으로 인해 더욱 복잡해집니다. 본 논문에서는 다중 에이전트 대규모 언어 모델 기반 경제 시뮬레이션 환경(MALLES)을 소개합니다. MALLES는 대규모 모델의 고유한 일반화 능력을 활용하여 다양한 도메인 및 범주에 적용 가능한 통합 시뮬레이션 프레임워크를 구축합니다. 저희 접근 방식의 핵심은 LLM을 광범위하고 이질적인 거래 기록을 통해 경제적으로 정렬하는 선호도 학습 패러다임입니다. 이 방법론은 모델이 잠재적인 소비자 선호도 패턴을 내재화하고 전달하도록 하여 개별 범주에서 흔히 발생하는 데이터 희소성 문제를 완화합니다. 시뮬레이션의 안정성을 향상시키기 위해, 제품 환경과 고객 간의 역동적인 상호 작용을 모델링하여 고차원 의사 결정 공간 내의 샘플링 프로세스를 효과적으로 안정화하는 평균장 메커니즘을 구현했습니다. 또한, 전문 에이전트가 광범위한 제품 정보를 협력적으로 처리하는 다중 에이전트 토론 프레임워크를 제안합니다. 이 아키텍처는 인지 부하를 분산하여 단일 에이전트의 주의 집중 문제를 완화하고, 구조화된 대화를 통해 중요한 의사 결정 요소를 파악합니다. 실험 결과, 저희 프레임워크는 기존의 경제 및 금융 LLM 시뮬레이션 기준에 비해 제품 선택 정확도, 구매 수량 예측 및 시뮬레이션 안정성 측면에서 상당한 개선을 달성했습니다. 저희의 결과는 대규모 언어 모델이 기초 데이터베이스를 기반으로 현실 경제에서 고정밀, 확장 가능한 의사 결정 시뮬레이션 및 후속 분석을 위한 중요한 기반 기술이 될 수 있음을 입증합니다.

In the real economy, modern decision-making is fundamentally challenged by high-dimensional, multimodal environments, which are further complicated by agent heterogeneity and combinatorial data sparsity. This paper introduces a Multi-Agent Large Language Model-based Economic Sandbox (MALLES), leveraging the inherent generalization capabilities of large-sacle models to establish a unified simulation framework applicable to cross-domain and cross-category scenarios. Central to our approach is a preference learning paradigm in which LLMs are economically aligned via post-training on extensive, heterogeneous transaction records across diverse product categories. This methodology enables the models to internalize and transfer latent consumer preference patterns, thereby mitigating the data sparsity issues prevalent in individual categories. To enhance simulation stability, we implement a mean-field mechanism designed to model the dynamic interactions between the product environment and customer populations, effectively stabilizing sampling processes within high-dimensional decision spaces. Furthermore, we propose a multi-agent discussion framework wherein specialized agents collaboratively process extensive product information. This architecture distributes cognitive load to alleviate single-agent attention bottlenecks and captures critical decision factors through structured dialogue. Experiments demonstrate that our framework achieves significant improvements in product selection accuracy, purchase quantity prediction, and simulation stability compared to existing economic and financial LLM simulation baselines. Our results substantiate the potential of large language models as a foundational pillar for high-fidelity, scalable decision simulation and latter analysis in the real economy based on foundational database.