Emergente Dynamiken in der Multi-Agenten-Simulation von Thousand Token Wood

Emergente Ökonomien mit kleinen Modellen: Das "Thousand Token Wood"-Experiment

Im Rahmen des "Build Small Hackathons" wurde das Projekt "Thousand Token Wood" vorgestellt, welches eine Multi-Agenten-Wirtschaftssimulation auf Basis eines Sprachmodells mit lediglich 3 Milliarden Parametern implementiert. Dieses Projekt demonstriert die Potenziale kleinerer KI-Modelle für die Schaffung komplexer, interaktiver Systeme und stellt eine Abkehr vom Trend zu immer größeren Modellen dar. Die Ergebnisse bieten relevante Einblicke für Unternehmen, die effiziente und kostengünstige KI-Lösungen im B2B-Bereich anstreben.

Architektur und Funktionsweise der Simulation

Die Simulation von "Thousand Token Wood" umfasst fünf Agenten, dargestellt als Waldkreaturen, die in einer kleinen Ökonomie interagieren. Diese Agenten handeln mit fünf verschiedenen Gütern, nutzen Kieselsteine als Währung und sind in der Lage, zu tratschen, zu horten und Panikreaktionen zu zeigen. Jede Kreatur wird von einem Qwen2.5-3B-Modell gesteuert. Die technische Infrastruktur basiert auf vLLM, bereitgestellt über Modal, während eine Gradio-Anwendung als Benutzeroberfläche dient, die Einblicke in die dynamischen Prozesse der Simulation bietet.

Ein wesentlicher Aspekt des Projekts ist die Fähigkeit, komplexe agentenbasierte Systeme in Echtzeit zu betreiben. Dies wird durch die Batch-Verarbeitung aller Agentenentscheidungen in einem einzigen GPU-Aufruf pro Simulationsrunde ermöglicht, was die Latenzzeiten minimiert und die Skalierbarkeit für Echtzeitanwendungen verbessert. Dieser Ansatz unterstreicht die Überlegung, dass für bestimmte Anwendungsfälle kleinere Modelle aufgrund ihrer Effizienz und geringeren Betriebskosten vorteilhafter sein können als große Frontier-Modelle.

Die Rolle der Knappheit in der emergenten Ökonomie

In der initialen Phase der Simulation zeigten die Agenten keine signifikante Handelsaktivität, da die Überproduktion von Gütern zu einer Selbstversorgung führte. Um eine dynamische Wirtschaft zu etablieren, wurde gezielt Knappheit implementiert:

• Vielfalt der Ernährung: Jede Kreatur kann pro Mahlzeit nur eine Einheit einer bestimmten Nahrung konsumieren. Dies zwingt die Agenten, Nahrungsmittel zu kaufen, die sie nicht selbst produzieren.
• Verderblichkeit: Leicht verderbliche Güter verrotten bei längerer Lagerung, wodurch ein Anreiz zum Verkauf überschüssiger Produkte entsteht, solange diese noch Wert besitzen.
• Winter-Brennstoffkrise: Jede Kreatur benötigt Brennholz, dessen Bedarf im Laufe der Zeit steigt. Da nur eine Kreatur Brennholz produziert, entsteht eine künstliche Verknappung, die den Handel antreibt.

Insbesondere die Brennholzknappheit erwies sich als treibende Kraft für die Simulation, da ein einziger Lieferant der steigenden Nachfrage nicht gerecht werden konnte. Dies führte dazu, dass der Holzfäller reich wurde, während andere Agenten um Wärme konkurrierten. Diese gezielte Einführung von Knappheit war entscheidend, um die Entstehung von Marktmechanismen wie Preisblasen und Vermögensungleichheit zu beobachten.

Herausforderungen und Lösungen im Prompt-Engineering

Obwohl das 3-Milliarden-Parameter-Modell zu 100 % gültige JSON-Ausgaben lieferte, zeigte es anfänglich Schwächen in der ökonomischen Entscheidungsfindung. Beispielsweise versuchten Agenten, Güter zu kaufen, die sie selbst im Überfluss produzierten. Die Lösung hierfür lag nicht in der Verwendung eines größeren Modells, sondern in einem präziseren Prompt-Engineering.

Durch die klare Definition der Produktionskapazitäten jedes Agenten und die Vorgabe, welche Güter niemals gekauft werden sollten, sowie durch die Bereitstellung eines beispielhaften Handels, verbesserte sich die Entscheidungsqualität signifikant. Die Simulation implementierte zudem eine robuste Fehlerbehandlung für fehlerhafte JSON-Antworten, sodass eine unvollständige Antwort lediglich zu einer No-Op-Aktion führte, anstatt die Simulation zum Absturz zu bringen.

Ein weiterer Aspekt war die Modellierung des Wohlbefindens der Agenten. Ursprünglich als Akkumulator konzipiert, führte ein chronischer Mangel schnell zu einem Absturz des Wohlbefindens aller Kreaturen. Die Neugestaltung als mittelwertrevertierendes "Stimmungs"-Modell, das sich bei ausreichender Versorgung erholt und niemals Null erreicht, schuf eine stabilere und interessantere Simulation. Die Risiken und Anreize wurden stattdessen in Kieselsteinen, Preisen und Status platziert, nicht im Überleben.

Integration historischer Marktlegenden

Ein besonders innovatives Merkmal des Projekts ist die Integration von "Waldlegenden", die historische Marktgeschehnisse in die Simulation einbetten. So wurden Ereignisse wie die Tulpenmanie zur "Großen Eichelmanie" und die Südseeblase zur "Hohle-Log-Handelsgesellschaft". Diese Legenden sind nicht nur atmosphärische Elemente, sondern lösen reale Schocks in der Ökonomie aus, auf die die Agenten reagieren müssen.

Ein Beispiel hierfür war die "Run auf Oonas Hort"-Legende, die eine Bankenpanik simulierte. Gerüchte über die leere Schatzkammer der Eule Oona führten dazu, dass Oona ihren Honig liquidierte, um Kieselsteine zu erhalten. Dies führte zu einem Preissturz des Honigs von 10 auf 3 Kieselsteine innerhalb weniger Runden. Solche Szenarien zeigen, wie ungeskriptete, emergente Dynamiken durch die Interaktion der Agenten und externer Schocks entstehen können.

Um diese Dynamiken sichtbar zu machen, war es notwendig, die Preisbildung flexibler zu gestalten. Anfänglich orientierten sich die Agenten an festen Referenzpreisen. Eine Anpassung, die es dem Markt ermöglichte, auf verbleibendes Angebot und Nachfrage zu reagieren – starkes Kaufinteresse treibt Preise in die Höhe, ein Überangebot senkt sie – führte zu realistischeren Preistrends während Knappheitsperioden und Stabilität bei ausgeglichenem Handel.

Erkenntnisse für die Entwicklung mit kleinen Modellen

Die "Thousand Token Wood"-Simulation liefert mehrere wichtige Erkenntnisse für die Entwicklung von KI-Anwendungen mit kleineren Modellen:

• Der Erfolg liegt oft darin, die Lücke zwischen der zuverlässigen Formatierung und der potenziell unzuverlässigen Argumentation kleiner Modelle durch gezielte Struktur und Prompt-Engineering zu schließen.
• Emergente Systeme benötigen entworfene Knappheit; Überfluss führt zu langweiligen und inaktiven Simulationen.
• Die überzeugendsten Demonstrationen von kleinen Modellen nutzen keine künstlichen Dramen, sondern greifen auf bereits vorhandene, tief verstandene Konzepte zurück – in diesem Fall drei Jahrhunderte Marktgeschichte.

Das Projekt "Thousand Token Wood" zeigt, dass auch mit vergleichsweise kleinen Sprachmodellen komplexe und aufschlussreiche Multi-Agenten-Simulationen realisiert werden können. Dies eröffnet neue Perspektiven für die Entwicklung effizienter und zugänglicher KI-Lösungen im B2B-Bereich, die nicht auf die Rechenleistung der größten Modelle angewiesen sind.

Bibliographie

1. Leong, L. (2026, 5. Juni). Thousand Token Wood: emergent market drama from 3-billion-parameter agents. Medium.
2. Hugging Face Blog. (2026, 5. Juni). Thousand Token Wood: shipping a multi-agent economy on a 3B model.
3. getaibook.com. (2026, 6. Juni). Thousand Token Wood Runs a 5-Agent Economy on Qwen2.5-3B.
4. Neura News. (2026, 5. Juni). Thousand Token Wood: Small Model Economy Simulation.
5. AI Herald. (2026, 6. Juni). 3B Model Powers Multi-Agent Economy at HuggingFace Hackathon.
6. AI on Radar. (2026, 5. Juni). Thousand Token Wood: A Multi-Agent Economy on a 3B Model.
7. Gouvernet, R. (2026, 6. Juni). GenAI Daily for Practitioners — 6 Jun 2026 (2 items). Buttondown.
8. ApolloAssists. (2026, 5. Juni). AI Update: Thousand Token Wood: shipping a multi-agent economy. YouTube.
9. aev10c. (2026, 20. März). brunnfeld-agentic-world. GitHub.
10. fgimenez. (2026, 18. März). anthill. GitHub.