本研究提出了LMAgent，一个基于多模态大语言模型的智能体系统，旨在提高多用户行为模拟的真实性。该系统通过自一致性提示和快速记忆机制增强决策性能，展现出与人类相似的行为，显示出在大规模社交行为模拟中的潜力。

该论文提出了一种基于神经网络的方法，用于检测和推断人类社交行为，展示了在多个基准测试中的优异性能。研究涉及社交互动的视觉识别、交互关系网络的构建，以及自闭症谱系障碍（ASD）领域的数据共享和早期检测，提出了MMASD+数据集和亲子互动游戏协议，显著提高了检测准确率。

研究发现，LLM代理使用不同的社交行为，如积极辩论和内省反思，能够高效完成任务，并表现出类似人类的社交行为，这为LLM的协作机制提供了研究启示。

基于大型语言模型的自主代理人在任务的广泛范围内实现了显著的改进。我们提出了一个多代理人框架，通过实验证明该框架能够有效地部署优于单个代理人的多代理人群体。我们研究了群体中个体代理人之间的社交行为，并讨论了一些利用积极行为和缓解消极行为以提高多代理人群体的协作潜力的可能策略。