港大团队发布YN决策模型：14张GPU4小时跑完1200万户家庭仿真

《黑客帝国》里的架构师（The Architect）能随手改写世界规则，再观察世界怎么回应。

做模拟本身不算新鲜事。斯坦福小镇只放了 25 个 agent，MiroFish、Twinmarket、MatrAIx 等 demo 也一个接一个冒出来。但有个关键问题始终没被真正解决：

模拟尺度一上去，大模型跑模拟的 token 开销、GPU 时间开销、harness 开销常常成几何级数往上涨。说白了，技术没法简单 scale up。昂贵的 API 和 GPU 账单，也让百万到千万 agent 级的社会级模拟，成了大厂和资源垄断团队的专属。

香港大学 S²-MAS 研究团队这次把社会仿真的家庭规模做到了 1200 万户，代价只有 14 张 GPU、4 小时。研究由罗晔教授指导，李阳、王一可为共同第一作者。这样的计算效率，让单卡服务器跑百万级 Agent 模拟成为可能，大规模社会仿真也就能走进更多研究团队——技术平权在这里有了具体的落点。

• 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

香港大学罗晔教授担任项目负责人。参与合作的机构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

罗晔教授的原话是：“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”。他的核心思路是回到第一性原理，把社会仿真的三个环节推倒重来。整套框架由三块构成：5 亿份消费者家庭画像库、轻量决策模型家族 YN-mini、高性能仿真引擎 Genese。

S²-MAS 整体框架。家庭画像、决策学习与 Genese 引擎分别对接人口构建、行动选择和财务账本；图下方是人口规模实验、固定面板逐月场景与家庭消费—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）描述的对象是家庭和家里的金融决策者。每份画像统一用 36 个结构化字段，涵盖人口背景、家庭结构、收入、支出、资产、债务和金融态度。一户家庭面对消费和融资方案时的起点，就由这些信息共同决定。年龄、就业状态牵动收入和需求，家庭成员构成牵动支出安排，资产和负债则决定这家人能动用多少钱、要扛多大支付压力。

按信息用途划分，这些字段大致可以归为以下几类：

研究者能借此筛出不同的家庭群体，也能让同一批家庭面对同样的消费任务，看年龄、收入、家庭人数或财务状况会怎样改变决策。

大规模处理时，这些字段以数值编码存储，便于筛选、分组和批量计算；送进决策模型之前，再转成模型读得懂的家庭描述。统一的结构让同一份画像能进入不同的金融任务，也让不同模型得以在相同家庭条件下做比较。

数据构建：保留家庭属性之间的联系

画像建立在真实调查数据之上。团队先做数据清理、翻译和统计口径统一，把家庭背景与财务信息整理成共同的结构化表示，再据此搭建大规模合成人口。

构建时，重点是家庭属性之间怎么关联。收入、消费、资产和债务往往一起变动，年龄和家庭结构也会作用在这些财务特征上。S²-MAS 在年龄、家庭收入、总支出等条件下，对相关财务属性做联合采样，并用兼容性约束让属性组合保持协调。

打个比方，两户收入差不多的家庭，资产和债务可以不一样，消费支出也能不同。生成过程把这些差异保留下来，同时维持收入、消费和财务状况之间的关联，好让后续模型面对有差别的家庭条件去作选择。扩到 5 亿份画像时，团队还对家庭规模、债务、住房持有、金融资产等选定的人口分布做了统计校准，并细化了一部分高金额档位。缺失或未知的信息，则保留为明确类别，交给后续处理。

团队还用主成分分析（PCA）看收入、支出、资产、债务等属性怎么一起变化。在 5 亿画像的 50 个数据分片里，第一主成分平均解释 32.62% 的方差，主要属性的贡献在各分片之间保持稳定。这一步用来检查人口扩展之后的财务结构，也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

画像质量验证方面，S²-MAS 沿用 MatrAIx 的五维画像质量评测框架，评测设计也相同，即“100 份画像、6 位人工评分者”，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。

研究者挑出 100 份处理后的真实调查画像，对照 44 个处理后参考字段做评估。6 位评分者各自对全部画像的五个维度打 1—5 分，最终累计 3000 项人工评分。

结果是这样的：画像的人工质量总均分 4.570/5，87.8% 的评分给了 4 分或 5 分。分项看，准确性 4.685/5，内部一致性 4.670/5，信息覆盖 4.985/5。

信息覆盖这一项的表现格外抢眼：600 次覆盖度评分中，有 591 次拿到满分。换句话说，画像被转成模型可读描述时，绝大多数该呈现的家庭信息都留了下来。团队用 DeepSeek 和 GLM 做自动评测，再拿它们的打分和六位人工评分者的均值逐项对照。两个模型各自完成 500 项“画像 × 维度”比较，均有 94.0% 的评分与人工均分差距在 1 分以内。之后又用 DeepSeek V4 Pro 和 GLM 5.3 复评，一分以内一致率分别为 94.3% 和 94.0%。完整结果见 S²-MAS 论文 Figure 4 和 Supplementary Methods M7。

研究者还往画像里主动埋错：改事实、塞无依据的信息、漏掉重要字段、制造内部矛盾。面对这四类错误，GLM 在 95.8%—100% 的有效配对中把对应维度评分压低了至少 1 分；其中 24 个有效的信息遗漏配对全部触发了降分。人工高分、模型与人工的一致性、对已知错误的响应，三方面合起来构成了画像质量的检验结果。

模型：不再逐 Token 生成，单卡跑到 3.7 万 token/s

常见的生成式大模型靠自回归出答案：先出第一个 token，再照着已有内容出下一个，一直到整段回答收尾。哪怕最终只要一个 {"choice":"B"} 这样的结构化选择，模型也得一步步把这段文本生成出来，再交给程序解析成行动。

仿真里的大部分决定，说白了就是一道结构化选择题：给定当前的家庭处境、一个具体问题和几个明确的可行选项，这家人会挑哪一个？

所以 S²-MAS 在模型结构上走的是“预训练主干＋决策头”：家庭状态、问题和候选行动交给 ModernBERT 或 Qwen 处理，候选行动再由决策头打分。决策头由可训练的打分网络和概率归一化层构成，把每个候选行动对应的隐藏向量映射成一个标量分数，经 softmax 转成总和为 1 的选择概率，不再走 autoregression。

换言之，决策模型直接给出选项的选择结果，不用逐个 token 往外吐。

为确保仿真质量，团队专门训练面向场景的决策模型，直接给候选行动打分并输出选择概率。417 万条真实调查问答被整理成“家庭状态 + 问题 + 选项”的统一格式，再按受访者分组，严格切出训练、开发与测试集。

训练决策模型时，S²-MAS 系统比较了六种主流实现方案，围绕两类预训练主干搭建决策模型。一类用 ModernBERT 编码器，沿用 Laya 的候选选项打分架构，走的是紧凑的 YN-mini 路线；另一类用 Qwen3.5-4B-Base 和 Qwen3.5-9B，在主干上训练决策头，通过冻结主干或加入 LoRA 来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做监督微调，学习调查记录里的回答或家庭属性目标。

• ModernBERT 编码器 SFT→CE：从 SFT checkpoint 出发，接着用交叉熵训练，看加大训练投入会带来什么变化。

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

• Qwen 4B 冻结主干＋决策头：Qwen3.5-4B-Base 的主干参数固定不动，只训练决策头。

• Qwen 4B LoRA＋决策头：在 Qwen3.5-4B-Base 上同时训练 LoRA 适配器与决策头。

• Qwen 9B LoRA＋决策头：在 Qwen3.5-9B 上照此办理，比较更大主干能带来什么效果。最终团队开源了 YN 决策模型家族，涵盖 421M、322M、4B 和 9B 四个参数规格，共 10 个训练变体，用来比较监督微调、继续训练、主干适配和模型规模的作用，训练与评测代码也一并公开。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；论文中的千万级家庭仿真用的就是它的 MLX FP16 版本。

此外，YN 模型家族还有 YN-Master-9B 和 YN-Dual-belief 系列：前者瞄准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都表现不错。YN 取自 Yes/No，点出了这个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 个模型按接口分成 6 类路线；下半部分（b），团队在 Laya 编码器和 Qwen3.5 两条主线上系统对比 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上（覆盖 119 个问题版本、8,275 个受访家庭组），团队拿 YN-mini 与多款主流通用大模型及专用决策模型做了场景内模拟效果测试:

出处说明：这段内容取自论文 Table 4a；完整表中列了 14 个参评模型和基线，所用测试集一致，均为 240,458 条留出的消费金融问答记录。

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

这项消费者金融选择基准测下来，参数量只有 4.21 亿的 YN-mini 拿下参评模型最高准确率 74.55%。Jev 1.13 比它低 9.30 个百分点，总参数量 3200 亿的 GLM-5.3-Flash 比它低 5.68 个百分点；固定分组抽样下，它也比 GPT-6-Astra 高 5.39 个百分点。按题目等权算宏平均 F1，YN-mini 的 38.37% 同样排在 GLM-5.3-Flash、Jev 1.13 和 DeepSeek-V4.1-Flash 前面。

这说明在场景内做 one-shot 模拟，未必非要烧昂贵的 api、堆大集群。不过这层优势只限于单一场景内的优先模拟能力，泛化性和开放推理能力另当别论。

专用小模型的路子不一样：不再逐字做自回归生成，而是拿候选选项直接打分，推理开销因此压到了社会规模能承受的区间。单张 A100 的部署测试里，YN-mini 跑到 3.7 万 token/s，吞吐量是 Jev API 的 22.72 倍。万次家庭决策，从「调不起」变成了「跑得快」。

引擎这块，性能和结构得撑得住千万户同时做决定。模型给出选择，仿真只走完一半。千万户家庭一起决策，背后的执行引擎既要喂饱 GPU 和模型，又得保证财务账本一分钱都算不乱。

罗晔教授团队此前开发的 Genese 引擎在这里挑了大梁。它把微服务架构和 ECS 加速结合起来，在解耦性、事务一致性和速度之间做了平衡。

• 实体—组件数组批量更新：家庭状态按结构化数组存放，同类财务更新一次性向量化批量处理，不再逐户循环改。

• 状态与事件原子提交：世界状态、事件日志和命令结果在同一个事务边界内统一写入，不会出现「账改了、记录没留」的状态漂移。

• 快照回滚恢复：任一分区步骤更新出异常，就自动回滚到当前轮次起始快照。

• 多分区异步流水线：数据准备、模型推理和账本记账在不同批次之间重叠执行，GPU 不用空转等着。

• 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；要新增或调整实验，替换规则模块即可，实验场景能灵活扩展。

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

Genese 引擎的状态更新边界是这么划的：「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、模型推理和记账在不同分区之间流水线重叠执行。

受控性能基准上，同一个真实模型在单张 T4 GPU 上跑 1,000 个智能体，Genese 单轮耗时 6.17 秒，比 OASIS 和 OneSim 分别省下约 17% 和 20% 的时间。固定决策后端、只评引擎调度与记账开销时，Genese 的执行速度是 AgentSociety、OneSim、OASIS 和 MiroFish 的 2.12 至 4.10 倍。

1200 万户的正式运行中，Genese 把任务切成 2400 个工作单元，在 14 张 GPU 上流水线并行，模型性能被尽量用满，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，来自 5 亿画像库、YN-mini 决策模型和 Genese 引擎三者的对接，这也是本次的规模化实验。

研究团队从人口库抽出 1200 万户不同的合成家庭，让每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」和「3 万元消费目标 + 3 万元授信额度」。每户要在暂缓购买、动用储蓄加借贷一半、全额分期（年利率 5%，24 期）之间选一个，再由月度账本往后推演 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）。

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

1200 万户配对实验的设计是每户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、算出 2.88 亿条月度账本状态；右侧展示的是条件提高后，家庭消费、期末现金、负债和模拟违约率的平均变化。

看总体均值，购买目标与授信上限同步从 2 万元提到 3 万元后，每户全年总消费平均多出 2887.18 元，期末现金少了约 929 元，期末负债多了约 2072 元，模拟违约率上升约 1.67 个百分点。

不过，千万级规模真正有价值的地方，是能把总体平均数拆开，看清处境不同的家庭各自怎么反应：

• 先看年龄分化。决策者年龄在 25–34 岁的家庭，消费增量最大，平均 9161.69 元；55–64 岁家庭只多了约 13 元；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。

• 教育和购买转化上也有差别。把年龄与收入分布标准化之后，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。从账本拆解看，差异主要来自「从暂缓购买转为购买」，同类买家并没有单纯多花钱。

• 资产负债状况同样影响明显。期初背着 200 万至 500 万元债务的家庭，新增消费几乎全部变成期末负债；没有初始债务的家庭，则更多靠动用现金储备和按期还款来消化。

只模拟几万户家庭，或许也能估出一个粗略的总体均值。可要在 42 个「年龄 × 收入」网格上，再按教育、就业、资产、负债逐层交叉切片，还要保持统计稳定，每个细分格子里都得装进足够多的家庭。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。

各个家庭群体在消费上的差异，以及财务渠道怎么拆。决策者年龄和家庭收入不同，消费增量差别很明显；账本再把这部分新增消费分成三类：动用现金、期内还款、期末新增负债。

从情景模拟走向家庭消费预测

千万户情景模拟做完之后，团队又拿真实家庭的消费记录来检验模型：给定家庭的收入、现金和政策变化，YN 模型能不能预测他们一年会花多少钱？这次实验用了 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。

作为对照的完全理性基准，是用 HANK-style 家庭优化方法搭出来的（fully rational benchmark），思路是求家庭在预算约束下怎么安排消费和储蓄最划算。YN 模型不一样，它给 33 个可行消费选项各算一个概率，每月挑概率最高的那个执行，然后更新剩下的现金。两套方法用的家庭、预算和选项都一样，分歧只在消费决策是怎么产生的。

实验挑的政策场景是 2018 年个税改革。从当年 10 月 1 日开始，工资薪金所得的基本减除费用从每月 3,500 元抬到 5,000 元，税率级距也一并调整。模拟的起点是 9 月、当时已知政策安排的状态，10 月起把减税多出来的收入算进预算；9—12 月的预测消费，加上前八个月共同的消费基数，就得到全年预测值。

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

论文 Figure 10 展示了家庭消费预测的流程。起点是家庭收入和现金，决策规则定下当月消费，账本据此更新剩余现金，再进入下一个月。图里还一并画了独立决策和接受理性建议的模型；D 指收入确定的环境，R 指收入有风险的环境。

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%。

研究者另外按收入把家庭划成低、中、高三档，看预测会不会把某一类家庭整体估高或估低。这项分组比较里，YN-Lite-4B 更贴近实际，各组平均对数误差算出的拟合距离比理性基准低 14.26%。

内容摘自论文 Table 8。结果按家庭权重算，金额是 2018 年名义元；实际年度消费均值 99,300.73 元。表里比较用的是确定收入、零利率和相同消费选项，也就是 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。

论文 Figure 11 给出家庭消费预测的两种比较。左边看的是每户家庭的预测误差，右边看的是按收入和财富分组后的系统性偏差；数值越小，说明越接近实际记录。图里同样列了独立决策和接受理性建议的模型，D、R 分别对应收入确定和收入有风险的环境。

模型是不是记住了历史答案

拿过去的政策来检验模型，还有个绕不开的麻烦：模型训练时可能已经见过这段历史。团队的做法是保留减税政策的内容，只把年份从 2018 换成 2031，看模型到了未来年份会不会还是同样的判断。测试只给政策描述，问的是全年消费方向、变化幅度和 12 月消费方向；通过改写问法、打乱选项顺序，每个模型凑出 12 组只差年份的对照。

在各自的 12 组对照里，两种模型概率最高的选项完全没变：9B 在全年和 12 月的消费方向题上还是选 “增加”，增幅题还是 “无法确定”；4B 三类问题都答 “无法确定”。年份一换，部分选项的概率有波动，最终选择却没动。

这项实验把 YN 决策模型用到能和真实记录对照的家庭消费预测上，也给大规模仿真开了另一条路：让模型按每户家庭的具体处境做决策，再用统一账本算出这些选择带来的财务变化。

属于所有人的大规模仿真

S²-MAS 更长远的价值，是把社会规模仿真的门槛降下来。资源有限的研究团队因此多了些选择：从具体场景入手，训练适合任务的模型，把有限的算力花在更大的人群、更细的分组和更多方案的比较上。

算力开销降下来，研究者能提的问题也随之变了。规则和环境一变，不同群体会受到什么影响？个体的选择又怎样叠加成整体结果？同一个方案放到不同人身上，效果为何不一样？这些都得在不同条件下反复比对。实验便宜了，同样一笔研究预算就能装下更多假设、更多人群、更多轮重复，总体变化背后个体和群体之间的差异，也更容易被看清楚。

技术平权还得有能接着用的研究资源。团队已经把YN决策模型、六条训练路线对应的10个对比训练版本，连同训练与评测代码一起发布，另外还放出了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。模型和部分合成数据按各自的科研使用条款提供。

懂宏观经济、地方经济和家庭行为的研究者，可以搭出贴近实际工作的任务，再拿真实行为证据去检验模拟结果；做模型的人能改进决策学习、概率校准和跨场景适配；开发者则可以打磨批量推理、实验组织和结果分析这类工具。任务与决策接口统一之后，这些工作更容易串起来，不同方法也能在相同条件下做比较。社区一点点攒下来的，会是一套不断扩展的实验方法和研究经验。

说到底，技术平权指向的是研究和商业化的机会：更多团队有能力提出自己的问题、跑自己的实验。YN决策模型和Genese引擎结合在一起，已经展示出社会规模仿真走向政策推演、营销预测、交易预测等更广领域的可行路径。

罗晔教授与S²-MAS团队简介

香港大学经管学院终身副教授罗晔，本科和博士都出自麻省理工学院（MIT），先后获得数学与经济学学士、经济学博士学位；2025年起，他还兼任深圳河套学院社会科学智能中心联合主任。S²-MAS由罗晔教授团队牵头，参与方包括深圳河套学院、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、香港中文大学和江西科技师范大学等机构。

论文第一作者是香港大学的李阳（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。其他作者包括：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。