Thousand Token Wood: ekonomia wieloagentowa na modelu 3B

Lester Leong z zespołu AdmiralTaco stworzył podczas Build Small Hackathon projekt „Thousand Token Wood” — funkcjonującą ekonomię opartą na małym modelu językowym. System wykorzystuje pięciu agentów AI działających na modelu Qwen2.5–3B do symulacji handlu między leśnymi stworzeniami, demonstrując możliwości niewielkich modeli w zastosowaniach wieloagentowych. Szczegóły projektu opisał w raporcie na platformie Hugging Face.

Kluczowe wnioski

• Model 3B generował poprawny JSON w 100% przypadków (75 z 75 wywołań), ale wykazywał słabą zdolność rozumowania ekonomicznego bez odpowiednich promptów
• Projekt udowodnił, że małe modele są idealne do symulacji wieloagentowych ze względu na szybkość i koszt — wszystkie stworzenia podejmują decyzje w jednym zbiorczym wywołaniu GPU
• Zaprojektowany niedobór był kluczowy dla funkcjonowania ekonomii — różnorodność diety, psucie się żywności i kryzys paliwowy zimą zmusiły agentów do handlu
• System generował realistyczne zachowania rynkowe, włącznie ze spadkiem ceny miodu z 10 do 3 jednostek podczas symulowanej paniki bankowej
• Współczynnik nierówności majątkowej (Gini) wzrósł z 0,14 do 0,38 w ciągu piętnastookresowej symulacji

Wyzwania techniczne i rozwiązania

Pierwszy problem dotyczył martwej ekonomii. Produkcja przewyższała konsumpcję, więc każde stworzenie było samowystarczalne i nie miało powodu do handlu. Autor rozwiązał to przez wprowadzenie trzech mechanizmów niedoboru:

Różnorodność diety wymusza na stworzeniach kupowanie produktów, których same nie wytwarzają — każde może zjeść tylko jedną jednostkę danego jedzenia na posiłek. Psucie się żywności zmusza do sprzedaży nadwyżek, zanim stracą wartość. Zimowy kryzys paliwowy jest najważniejszy — wszystkie stworzenia muszą palić drewnem, zapotrzebowanie rośnie w czasie, a tylko jeden agent produkuje drewno opałowe.

Drugi problem dotyczył jakości decyzji. Model 3B generował poprawny JSON, ale jego osąd ekonomiczny był słaby — stworzenie produkujące żołędzie składało zamówienia na kupno żołędzi, których miało nadmiar. Rozwiązaniem było ostrzejsze promptowanie: każdy agent otrzymywał informację o tym, co produkuje i czego nie może kupować, oraz dokładną listę towarów, których mu brakuje.

Dynamiczne ceny i legendy rynkowe

Początkowo ceny były zamrożone, ponieważ agenci cytowali ceny referencyjne, które im pokazywano. Autor wprowadził system, w którym referencyjne ceny dryfują wraz z pozostałą podażą i popytem po każdej rundzie — intensywne niezrealizowane kupno podnosi cenę, nadmiar ją obniża.

Najbardziej innowacyjną funkcją są „Legendy Lasu” — słynne epizody z historii rynków przepisane jako leśny folklor. Mania tulipanowa staje się Wielką Manią Żołędzi, Bańka Mórz Południowych to Kompania Handlowa Pustego Pnia, a paniki bankowe z 1929 roku to Panika na Skarb Oony. Te legendy wywołują rzeczywiste wstrząsy, na które reagują agenci — podczas „Paniki na Skarb Oony” sowa zaczęła wyprzedawać miód, by zgromadzić kamyki, co spowodowało spadek ceny miodu.

Rezultaty eksperymentu

W reprezentatywnej piętnastookresowej symulacji z suszą i zimowymi plotkami system utrzymywał 3–9 transakcji na turę, nigdy nie milkł. Cena drewna opałowego wzrosła z 4 do 7 jednostek wraz z nasileniem się zimowego niedoboru. Najważniejszy wniosek: drwal zakończył jako najbogatszy, a gromadzący skarby agent zbankrutował.

Wszystkie dane z symulacji, włącznie z pełnymi promptami, odpowiedziami i działaniami każdego agenta, są dostępne w otwartym zbiorze danych. Projekt pokazuje, że małe modele mogą napędzać złożone systemy emergentne, gdy prawidłowo zaprojektuje się ograniczenia i strukturę promptów.