深度分析
MobCache：基於潛在空間與行動感知的高效大型語言模型移動模擬快取框架
隨著城市規劃與流行病學需求大量人類移動模擬，研究提出MobCache框架，利用可重建的潛在空間快取與行動感知解碼器，提高LLM模擬效率且保持多樣性。實驗顯示推論時間降低逾四成、成本下降近五成，品質與最先進方法相當。此技術預計降低城市模擬成本，促進隱私保護下的開放研究。
深度分析
隨著城市規劃與流行病學需求大量人類移動模擬，研究提出MobCache框架，利用可重建的潛在空間快取與行動感知解碼器，提高LLM模擬效率且保持多樣性。實驗顯示推論時間降低逾四成、成本下降近五成，品質與最先進方法相當。此技術預計降低城市模擬成本，促進隱私保護下的開放研究。
深度分析
研究指出LLM驅動的城市模擬器常只能產生看似合理的行動敘事，我們提出以實際行動資料驗證的框架，檢視AgentSociety與CitySim在空間與時間分布、行程長度、出發點‑目的地流量等五項指標的真實性，結果顯示兩者仍與真實資料有顯著落差，需加強行動多樣性與空間限制的建模。