Исследователи представили Epi-LLM — новую аналитическую систему, объединяющую агентное моделирование и возможности больших языковых моделей для имитации социальных реакций на вспышки инфекционных заболеваний. Как сообщает издание Let’s Data Science, в основе работы лежит препринт, опубликованный 1 июня 2026 года, где описывается создание синтетического общества цифровых агентов, способных адаптироваться к меняющейся эпидемиологической обстановке.

В ходе симуляции, длившейся 15 дней, агенты под управлением четырех различных архитектур LLM продемонстрировали способность снижать пиковые показатели заражения по сравнению с классической математической моделью SEIR, в которой не предусмотрено вмешательство человека. Интересно, что уровень соблюдения карантина среди виртуальных сущностей достигал 58–65% уже к шестому дню, что указывает на наличие у моделей определенных встроенных представлений о безопасности, которые исследователи называют поведенческими априорными знаниями.

Для оценки достоверности этих цифровых реакций авторы использовали биномиальную обобщенную линейную модель. Анализ показал, что ключевым драйвером карантинного поведения у ИИ-агентов стало субъективное восприятие тяжести угрозы здоровью. Статистический показатель pseudo-R² составил 0,055, что оказалось довольно близко к значению 0,072, полученному в ходе реального исследования AUIB epigame с участием живых людей.

Технические нюансы цифровой интуиции

Разработчики протестировали несколько семейств моделей, заметив любопытную закономерность: архитектуры с низкой вариативностью ответов отлично подходят для проверки жестких наборов правил, в то время как модели с высокой вариативностью лучше имитируют неоднородное принятие решений, свойственное человеческому обществу. Это создает своего рода инженерную дилемму между предсказуемостью эксперимента и его реализмом.

Примечательно, что простые географические метки в промптах не заставили агентов вести себя в соответствии с культурными особенностями разных стран. Для того чтобы агент начал действовать, например, как житель конкретного региона, исследователям пришлось прибегнуть к явной параметризации аттитюдов — глубокой настройке внутренних установок модели через детальные описания социальных норм.

 Хотя корреляция с данными эпиигр впечатляет, перенос этих результатов на реальное планирование без учета галлюцинаций и смещений в обучающих выборках — это риск, который пока не покрывается никаким R-квадратом. Мы строим зеркальный лабиринт, надеясь найти в нем выход из реального кризиса.

Интеграция языковых моделей в агентные системы открывает путь к созданию масштабируемых сред для проверки гипотез без риска для населения. В будущем эксперты ожидают публикации открытого кода фреймворка Epi-LLM для независимого аудита, а также более детальной оценки чувствительности моделей к различным методам промпт-инжиниринга. Остается открытым вопрос, насколько глубоко подобные системы смогут учитывать иррациональность человеческого поведения в долгосрочной перспективе.