在Mesa实现的谢林隔离模型中，把一名智能体判断邻居是否同类的符号规则换成由本地Qwen3.5模型通过工具调用完成的语言判断，其余动力学保持不变。用MultiVeStA做统计模型检验后，两种模型在60步内“满意智能体比例”的期望轨迹从约0.65升到约1.0，逐点t检验未显示差异；但LLM版本耗时8917秒，原版约2秒。0.8b与2b模型在单元式检查中出现语义错误、工具调用数目错误或生成卡死，4b与9b通过全部检查。
一类基于智能体的仿真模型开始把个别智能体的局部判断交给大语言模型，而不是全部写成符号规则。谢林隔离模型里，每个智能体只需数出邻居中与自己同类的数量，再据此决定是否满意、是否搬走。 此前这类模型的个体决策由显式、可复现的符号规则给出，模型因此可以被逐条检查、在受控条件下重复运行。 改动只落在一个方法上：普通智能体仍按符号类型比较邻居，唯一启用LLM的智能体改为接收邻居的自然语言描述，并通过工具调用累加同类与异类邻居的计数。
统计模型检验把“换掉这条规则会不会改变系统行为”变成一个带置信区间的定量问题，而不只是看几条仿真曲线。 常规做法是多次运行仿真再比较观测值，运行次数、停止条件和比较方式都会影响结论的可靠性。 MultiVeStA为每次估计给出宽度不超过0.1、置信度95%的置信区间，并对原版与LLM扩展版的满意智能体比例轨迹做逐点t检验；两次分析各只需20次仿真，说明该参数设置下模型方差很小。
LLM只被允许调用两个计数工具，不能移动智能体、改动网格或直接决定满意与否，因此它的错误可以与全局动力学分开归因。 若让模型直接参与调度或移动策略，语义错误、漏调用和生成卡死就会与模型结构变化混在一起。 在Qwen3.5的0.8b、2b、4b、9b四个规模上，每条消息在蓝、红两种角色下各跑三次；0.8b在红角色首轮即卡死，2b在多邻居任务两种角色下均卡死，4b与9b全部通过。
已展示的范围是Mesa实现的谢林隔离模型，网格20×20、同质性阈值0.7、密度0.8、少数群体比例0.2，只设一个LLM智能体，瞬态分析覆盖第1到第60步。鲁棒性检查在Apple M4、24GB统一内存的机器上完成，完整仿真在NVIDIA DGX Sparx、120GB统一内存上运行。后续计划包括更丰富的决策任务、更多LLM智能体、其他ABM，以及提示与工具接口的系统设计。
作者把实验定位为初步结果，运行时间依赖本机与本地服务设施，不能当作详细基准。LLM扩展版与原版动力学无统计差异这一结论，限于一个LLM智能体、60步瞬态和上述参数；更大规模、更多LLM智能体或更丰富决策任务下的行为尚未检验。
