HKU-Team veröffentlicht YN-Entscheidungsmodelle: YN-mini mit 421 Mio. Parametern erreicht 37.000 Token/s auf einer Karte, Simulation für 12 Mio. Haushalte mit 14 GPUs
Wie Machine Heart am 6. November 2026 berichtete, hat das Team von Luo Ye an der Universität Hongkong das Multiagenten-Simulationsframework S²-MAS für gesellschaftliche Größenordnung veröffentlicht und dabei die YN-Entscheidungsmodellfamilie (421M bis 9B) sowie die Genese-Engine offengelegt; dem Bericht zufolge erreicht das 421 Millionen Parameter große YN-mini auf einer einzelnen A100 37.000 Token/s und simuliert mit 14 GPUs in rund 4 Stunden 12 Millionen Haushalte.
Was sich geändert hat
Laut einem Bericht von Machine Heart vom 6. November 2026 hat das Team von Professor Luo Ye an der Universität Hongkong das Multiagenten-Simulationsframework S²-MAS für gesellschaftliche Größenordnung veröffentlicht und die YN-Entscheidungsmodellfamilie offengelegt. Das Framework besteht aus drei Teilen: einer Bibliothek mit rund 500 Millionen Verbraucherhaushaltsprofilen (je 36 strukturierte Felder), den YN-Entscheidungsmodellen und der Genese-Simulationsengine. Dem Bericht zufolge hat das Team 4,17 Millionen echte Umfragefragen in das Format „Haushaltszustand + Frage + Option“ überführt; die Modelle nutzen einen vortrainierten Backbone plus einen Entscheidungskopf, wobei ein ModernBERT- oder Qwen-Backbone den Kontext kodiert und der Entscheidungskopf die Kandidatenaktionen bewertet und per Softmax zu Auswahlwahrscheinlichkeiten normalisiert, statt tokenweise autoregressiv zu generieren. Die YN-Familie umfasst vier Parametergrößen mit 421M, 322M, 4B und 9B sowie insgesamt 10 Trainingsvarianten; das Hauptmodell YN-mini hat rund 421 Millionen Parameter und besteht aus einem ModernBERT-large-Backbone mit 395 Millionen Parametern plus einem Optionsbewertungskopf, wurde in zwei SFT-Stufen und mit RLCD trainiert, und die Simulationen mit zehn Millionen Haushalten in der Arbeit nutzen seine MLX-FP16-Version. Das Team veröffentlicht außerdem Trainings- und Evaluationscode, Skripte zur Reproduktion wissenschaftlicher Grafiken und aggregierter Ergebnisse, 2 Millionen unabhängige synthetische Haushaltsprofile und 32.000 unbeschriftete Aufgabeninputs und weist darauf hin, dass Modelle und ein Teil der synthetischen Daten unter jeweils eigenen Bedingungen zur wissenschaftlichen Nutzung bereitgestellt werden. Zur Evaluation heißt es im Bericht, dass YN-mini bei 240.458 zurückgehaltenen Single-Turn-Multiple-Choice-Fragen zu Verbraucherfinanzen (119 Frageversionen, 8.275 befragte Haushaltsgruppen) eine Genauigkeit von 74,55 % und einen Makro-F1 von 38,37 % erreicht, 9,30 Prozentpunkte mehr als Jev 1.13 und 5,68 Prozentpunkte mehr als GLM-5.3-Flash; bei einer festen Stichprobe von 500 Gruppen (14.441 Datensätze) lag der gepaarte Vergleich mit GPT-6-Astra bei 74,73 % zu 69,34 %. Der Bericht nennt außerdem, dass YN-mini in einem Deployment-Test auf einer einzelnen A100 37.000 Token/s erreicht, das 22,72-Fache des Durchsatzes der Jev-API. Das Skalierungsexperiment nutzte 14 GPUs (acht H100 mit 80 GB und sechs A100 mit 40 GB), teilte die Aufgabe in 2400 Arbeitseinheiten für eine Pipeline-Parallelisierung und schloss 12 Millionen Haushalte, 24 Millionen gepaarte Entscheidungen und 288 Millionen monatliche Ledger-Zustände in 3 Stunden 59 Minuten 17 Sekunden ab, im End-to-End-Mittel etwa 1672 Haushaltsentscheidungen pro Sekunde und rund 886.000 Token/s. Auf der Engine-Seite heißt es, dass Genese 1000 Agenten in einer Runde auf einer einzelnen T4 in 6,17 Sekunden ausführt und damit rund 17 % bzw. 20 % weniger Zeit braucht als OASIS und OneSim; bei festem Entscheidungs-Backend sei seine Ausführungsgeschwindigkeit 2,12- bis 4,10-mal so hoch wie die von AgentSociety, OneSim, OASIS und MiroFish. Zusätzlich prüfte das Team mit 1060 echten Haushalten die Konsumprognose; dem Bericht zufolge liegt der jährliche mittlere absolute Fehler des unabhängig entscheidenden YN-Master-9B bei 51.312 RMB, 3,42 % niedriger als bei einer vollständig rationalen HANK-Benchmark, und der RMSE 3,15 % niedriger; YN-Lite-4B liegt bei der nach Einkommen gruppierten Anpassungsdistanz 14,26 % unter dieser Benchmark.
Auswirkungen für Entwickler
Für Entwickler, die eine Anbindung planen, liegt die unmittelbarste Änderung in der Aufrufform. Beschrieben wird ein vortrainiertes Backbone plus Entscheidungskopf: Ein einziger Forward-Pass bewertet vordefinierte Kandidatenaktionen und gibt per Softmax eine Wahrscheinlichkeitsverteilung aus, statt tokenweise zu generieren; Aufrufer müssen keinen Freitext mehr parsen und zahlen keine Token-Kosten für die Generierung ganzer Passagen. Der Preis dafür ist, dass die Kandidatenaktionen vorab aufgelistet werden müssen und die Aufgabe auf geschlossene Optionen begrenzt ist; offene Frage-Antwort-Formate und freie Textausgabe sind nicht geeignet. Auch die Bewertungsmaße ändern sich: Vergleichbar sind Genauigkeit pro Frage, Makro-F1, die Stabilität der Option mit der höchsten Wahrscheinlichkeit bei vertauschter Optionsreihenfolge sowie die Zahl der Entscheidungen pro Sekunde auf der eigenen Hardware und bei eigener Batch-Größe, nicht Generierungsqualität oder menschliche Präferenzen. Die genannten 37.000 Token/s und der Faktor 22,72 stammen aus einem Deployment-Test auf einer einzelnen A100, doch die Quelle nennt weder die dabei verwendete Präzision noch die Backbone-Konfiguration dieses Tests, und die MLX-FP16-Version ist nur an die Simulationen mit zehn Millionen Haushalten in der Arbeit gebunden, beides sind nicht dieselben Bedingungen. Diese Zahlen verschieben sich mit Präzision, Batch-Größe und Engine und taugen nur als Größenordnungsreferenz. Der Wert von Genese liegt vor allem in der Konsistenz des Ledgers: Batch-Updates von Entität-Komponenten-Arrays, das Festschreiben von Weltzustand und Ereignissen innerhalb derselben Transaktionsgrenze und das Zurückrollen von Ausnahmen auf den Runden-Snapshot, Mechanismen, die dem Risiko entsprechen, dass bei Millionen von Akteuren das Konto geändert, aber nichts protokolliert wurde. Wenn die Simulation keine Einzelposten-Nachvollziehbarkeit und kein Rollback verlangt, fällt dieser Nutzen deutlich kleiner aus. Zudem stellt die Entscheidungskopf-Architektur neue Schnittstellenanforderungen an den gesamten Simulationsstack: Kandidatengenerierung, Wahrscheinlichkeitsauslese und Ledger-Abrechnung müssen als unabhängig austauschbare Module getrennt werden, sonst muss bei einem Modellwechsel das Experiment neu geschrieben werden. Betont sei, dass die genannten Genauigkeits-, Durchsatz- und Beschleunigungswerte aus der Arbeit und aus Angaben des Teams stammen und bislang nicht unabhängig reproduziert wurden.
Integration und Bewertung
Das Folgende sind bedingte Empfehlungen und Vorschläge, keine berichteten Fakten. Entscheidung eins, bezogen auf die im Bericht beschriebene Änderung „vortrainiertes Backbone plus Entscheidungskopf, der direkt Optionswahrscheinlichkeiten ausgibt“: Wenn Ihre Last aus Multiple-Choice-Aufgaben mit geschlossenen Optionen besteht, etwa umfrageartigen Präferenzprognosen oder Aktionsauswahl innerhalb fester Regeln, können Sie das Entscheidungskopf-Modell als Alternative zu generativen Aufrufen prüfen. Voraussetzung ist, dass die Kandidatenmenge vor jedem Aufruf aufzählbar und fest ist; wenn die Aufgabe Freitext oder offenes Schlussfolgern verlangt, trägt diese Alternative nicht, und Sie sollten bei generativen Modellen bleiben. Maßstab ist, ob Genauigkeit pro Frage und Makro-F1 auf Ihrem eigenen zurückgehaltenen Set besser sind als bei der bestehenden Baseline, ergänzt um einen Test mit vertauschter Optionsreihenfolge, um zu sehen, ob sich die Option mit der höchsten Wahrscheinlichkeit ändert; ohne Genauigkeitsgewinn bleibt nur der Inferenzkostenvorteil, der separat zu rechnen ist. Entscheidung zwei, bezogen auf die im Bericht beschriebenen Batch-Updates, atomaren Commits und Snapshot-Rollbacks von Genese: Wenn Sie Simulationen mit mehr als 100.000 Agenten planen, reproduzieren Sie zuerst die Engine, nicht zuerst das Modell. Voraussetzung ist, dass die Simulation eine Einzelposten-Abstimmung verlangt; wenn grobe Gesamtmittelwerte genügen und kein Rollback bei Ausnahmen nötig ist, können einfache Batch-Skripte bereits ausreichen. Das Vorgehen: mit demselben Entscheidungs-Backend auf eigener Hardware eine Runde mit 1000 Agenten laufen lassen, die Laufzeit messen und prüfen, ob das Ledger Posten für Posten aufgeht und ob im Ausnahmefall der Runden-Snapshot wiederhergestellt werden kann; bestanden ist es, wenn die Konten reproduzierbar sind und das Rollback funktioniert, danach vergleichen Sie Entscheidungen pro Sekunde. Der Bericht vergleicht Genese mit OASIS, OneSim, AgentSociety und MiroFish; diese Zahlen stammen aus einem teaminternen kontrollierten Benchmark, und für eigene Messungen ist ein identisches Entscheidungs-Backend Voraussetzung für Vergleichbarkeit. Entscheidung drei betrifft als Vorbedingung der ersten beiden Punkte die Angabe, dass Modelle und ein Teil der synthetischen Daten unter jeweils eigenen Bedingungen zur wissenschaftlichen Nutzung bereitgestellt werden: Wenn Sie das für ein kommerzielles Produkt nutzen wollen, prüfen Sie Repository für Repository, ob der Lizenztext und der erforderliche Berechtigungsumfang Ihre Distributionsform abdecken, bevor Sie Code schreiben; bei rein interner Forschungsreproduktion entfällt diese Prüfung in der Regel. Außerdem haben die im Bericht als Vergleich genannten GLM-5.3-Flash und DeepSeek-V4.1-Flash Einträge im KimiSeek-Katalog und kommen als Kandidaten für eine selbst gebaute Evaluations-Baseline infrage; wie die Baseline gewählt wird, richtet sich weiterhin nach Ihrer eigenen Aufgabe.
Grenzen und offene Fragen
Einige Unsicherheiten sind festzuhalten. Erstens sind die Genauigkeits-, Durchsatz- und Beschleunigungswerte im Bericht Selbstangaben des Teams; das Evaluationsset stammt aus einem einzigen Szenario, geschlossenen Multiple-Choice-Fragen zu Verbraucherfinanzen, und der Bericht selbst schreibt, dass dieser Vorteil keine Aussage über Generalisierung und offenes Schlussfolgern erlaubt; die 74,55 % der Arbeit und die 74,73 % aus der festen Gruppenstichprobe stammen aus unterschiedlichen Stichprobenzuschnitten und sollten nicht vermischt werden. Zweitens ist die Testkonfiguration für die 37.000 Token/s auf einer einzelnen A100 (Präzision, Backbone, Batch-Größe) nicht angegeben; die Quelle bindet nur die MLX-FP16-Version an die Simulationen mit zehn Millionen Haushalten in der Arbeit, beides sind nicht dieselben Bedingungen und lässt sich nicht gegenseitig übertragen. Drittens sind die Gewichte zwar veröffentlicht, werden aber unter Bedingungen zur wissenschaftlichen Nutzung bereitgestellt, und offene Gewichte sind keine von der OSI anerkannte Open-Source-Lizenz; der kommerzielle Rahmen ist selbst zu prüfen. Viertens gibt es für die YN-Entscheidungsmodellfamilie und Versionen wie YN-mini, YN-Lite-4B und YN-Master-9B derzeit keinen exakten Treffer im KimiSeek-Katalog; die Seite führt diese Reihe nicht. Der Bericht erwähnt auch keine offizielle API oder einen Hosting-Dienst für die YN-Reihe; sollte ein Anbieter ihn später bereitstellen, richten sich Verfügbarkeit, Preis und Kontingente nach dem Anbieter bzw. Betreiber und bedeuten nicht, dass diese Seite ihn eingebunden hat. Fünftens bezieht sich die manuelle Qualitätsbewertung der Profile auf 100 aufbereitete echte Umfrageprofile, das Konsumprognose-Experiment auf die im Bericht genannten 1060 echten Haushaltskonsumdatensätze, und auch die Evaluationsfragen stammen aus echten Umfragefragen; diese Belege sind also selbst keine synthetischen Daten. Sie stammen jedoch alle aus einem vom Team selbst entworfenen und durchgeführten Evaluationsprozess, und die Vergleichsbenchmark (etwa die vollständig rationale HANK-Benchmark) wie die Metriken wurden vom Team festgelegt, eine Dritt-Replikation fehlt. Wirklich aus synthetischer Bevölkerung bestehen die Bibliothek mit 500 Millionen Profilen und das Simulationsexperiment mit 12 Millionen Haushalten, deren aggregierte Schlussfolgerungen von der statistischen Kalibrierung des Generierungsprozesses abhängen. Sechstens sind die Gedächtnistests, bei denen das Jahr auf 2031 umgeschrieben wurde, mit nur 12 Formulierungsvarianten je Modell lediglich vorläufige Hinweise. Siebtens gibt der Bericht keine externe Verhaltensdatenprüfung dafür, ob die extreme Verteilung, dass Haushalte über 65 Jahren unter beiden Bedingungen durchweg einen Kaufaufschub wählen, der Realität nahekommt; dies ist eine auf dem Bericht basierende Schlussfolgerung, keine Aussage der Quelle.