Проблема сжатия данных в цифровых двойниках
Создание цифровых двойников на базе больших языковых моделей (LLM) требует эффективного представления истории ответов пользователя. Традиционный подход — передача полных транскриптов опросов — часто неоптимален. Новое исследование, представленное на SocialAgent: Second Workshop on Large Language Models for Social Reasoning and Simulation, NeurIPS 2026, доказывает, что ключевую роль играет не объем информации, а ее структура.
Методология и модель BDE
Авторы (Iris Ye, Tianze Deng, Ozan Candogan) протестировали фиксированную схему представления BDE, которая организует историю респондента в три компонента:
- Background (Фон/Контекст): демографические и базовые данные.
- Decision procedure (Процедура принятия решений): логика выбора.
- Evaluation (Оценка): субъективные оценки и предпочтения. >
Эксперимент проводился на датасете Twin-2K-500 (Toubia et al., 2025) с предсказанием ответов на 17 задачах для 100 респондентов. Использовались модели gpt-5.4-nano и gpt-5.4-mini.
Ключевые метрики эффективности
Структурированный профиль BDE превзошел сырые транскрипты опросов. Ниже приведены результаты повышения общей точности (Overall Accuracy) и точности ценообразования (Pricing Accuracy) по сравнению с базовым уровнем:
| Метрика | Модель | Δ к сырому тексту (pp) | Δ к свободному тексту (pp) | Стат. значимость |
|---|---|---|---|---|
| Overall Accuracy | gpt-5.4-nano | +1.27 | +1.05 | p < 0.01 / p < 0.05 |
| Overall Accuracy | gpt-5.4-mini | +1.19 | — | p < 0.001 |
| Pricing Accuracy | gpt-5.4-nano | +2.15 | +2.15 | p < 0.01 |
| Pricing Accuracy | gpt-5.4-mini | +1.38 | +1.38 | p < 0.05 |
Почему это важно для индустрии
Исследование выявило два критических факта:
- Глубина извлечения не важна. Углубленный анализ (deeper inference) при извлечении данных из транскриптов не дал статистически значимого прироста точности. Это означает, что сложные алгоритмы извлечения могут быть избыточными.
- Композиция решает. Добавление компонента Evaluation к профилю Background-Decision дало прирост точности на 1.44 pp (nano) и 1.22 pp (mini). Это доказывает, что преимущество BDE над сырыми текстами обусловлено именно правильной структурой данных, а не просто сжатием объема.
Для разработчиков симуляций и персонализированных AI-агентов это означает, что фокус следует сместить с увеличения контекстного окна на проектирование семантических схем (schemas) для хранения пользовательских данных.
Источник: arXiv cs.CL ↗