智能体网络里的信息级联可以预测了：单智能体响应必须带上它关注多少人

网络中的大语言模型智能体会产生信息级联，级联能走多远同时取决于网络结构和帖子内容，而单个智能体的转发决定取决于它自己的局部处境，无法用一条响应曲线概括。 此前的预测工作把智能体放在所有人彼此可见的均匀混合群体里，只测一条响应曲线，并假定它不随智能体在网络中的位置变化。 在四个争议性政治帖子上，触发全局级联所需的种子比例在不同帖子之间相差2.6倍（BA网络）和3.5倍（ER网络），说明帖子和网络结构都在起作用。

转发概率取决于关注人数本身，而不只是已转发联系人所占的比例：关注人数越多，转发变得比不转发更可能所需的已转发比例越低。 经典阈值模型要么假定固定的比例阈值，要么假定固定的联系人数量阈值，二者都不含随关注人数变化的漂移。 在相同比例下，看到10个联系人中2人转发的智能体几乎不转发，而看到100个联系人中20人转发的智能体转发频率高得多；在较大关注人数上，响应中点随关注人数下降的幅度在四个帖子上相近。

按关注人数测得的响应输入网络级联的平均场理论后，可以预测完整大语言模型模拟的级联，包括是否扩散以及引爆的种子比例。 忽略关注人数的响应，无论按比例读还是按数量读，都会误判级联，且误差方向随帖子内容而变。 在ER与BA三类网络上、四个帖子下，理论给出的级联与完整模拟吻合；一旦响应测好，任意网络上的级联无需再查询语言模型即可算出。

忽略关注人数带来的误差可以解析写出，但它不能分解为网络统计量乘以响应单一数值的乘积，因此无法用网络统计量事后校正。 若误差可分解，一个由网络算出的校正因子就足以替代按关注人数的测量。 在固定平均度、逐步重连以增加异质性的网络上，误差随异质性单调增长，在规则图上为零，在最大异质性处达到一定幅度；同一网络上不同帖子的误差相差约两倍，而描述响应偏离的单一数值在帖子间差别很小。

结论建立在单一开源模型mistral:7b、一套提示模板和四个争议性政治帖子上，智能体只有极简人设且没有记忆；网络为合成的、局部近似无环的ER与BA图。作者提出可把响应逐步细化到按人设、按历史策略，直到预测与模拟一致，但这一扩展尚未在此设置中执行。

作者指出，枪权利帖子在低关注人数上的响应与其他三个帖子不同，这一差异在改写措辞后是否保留尚未检验；警察撤资帖与较小程度上的移民限制帖在完整模拟中比其响应预测的略早扩散；误差的一阶展开在ER网络上把最大误差高估约三分之一，在BA网络和稀疏ER网络上的枪权利帖上不适用；真实社交网络常有聚集结构，树状理论在那里会损失精度。