Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Kunal Jadhav и Siddhesh More из Arizona State University разработали EqGrid — систему для оценки LLM-агента, регулирующего локальный рынок электроэнергии; результаты представлены в препринте, не проходившем рецензирования. По замерам авторов, модель с 0,8 млрд параметров сохранила 92% эффекта более крупной модели при оценочно в 24 раза меньшем расходе энергии. Работа важна командам, которые выбирают размер модели для систем управления и должны учитывать не только качество решения, но и вычислительную цену.
Что сделали
Авторы собрали замкнутую симуляцию рынка между домохозяйствами. Социально-демографические профили построили по сводным данным EU-SILC для Венгрии, а графики потребления проверили на правдоподобие по данным умного счётчика. LLM задаёт границы цен, углеродные лимиты и адресные субсидии; торговые агенты с обучением с подкреплением проводят сделки, а отдельный детерминированный модуль проверяет ограничения электросети и при необходимости корректирует результат.
Эффект политики измеряли через долю расходов на энергию в доходе и коэффициент Gini для этой доли: чем он ниже, тем равномернее распределена нагрузка. Политика LLM снизила коэффициент с 0,351 до 0,305, а среднюю долю расходов — на 28%. Отделение языковой модели от физического управления также дало ноль нарушений сетевых ограничений против 55 при прямом управлении со стороны LLM.
Что это значит
Практическая ценность работы — в схеме оценки агента сразу по трём направлениям: социальный результат, безопасность исполнения и энергия на одно решение. Замеры авторов показывают, что для короткого структурированного ответа небольшая локальная модель может оказаться рациональнее крупной, а проверку физических ограничений следует выносить из LLM в детерминированный слой.
Ограничения. Работа не показывает эффект в реальной энергосистеме: проверка охватывает один фидер и один зимний день в симуляции. Профили основаны на сводных статистических распределениях, а потребление сверяли с одним домохозяйством из другого региона и периода. Расход энергии рассчитан по числу токенов и активных параметров, а не измерен на оборудовании. Сравнению также не хватает модели финансирования субсидий: это необеспеченная скидка, причём преимущество LLM над настроенным правилом по неравенству находится в пределах погрешности.
Источники
Иллюстрация: рисунок из статьи «Grounded, Compute-Efficient LLM Policy Agents for Energy-Poverty Equity in Physically-Constrained Peer-to-Peer Energy Markets», Kunal Jadhav, Siddhesh More, CC BY 4.0
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
