Разработчики текстовых AI-агентов часто сталкиваются с проблемой: как эффективно передать модели информацию о состоянии среды, чтобы она могла планировать действия. Исследователи представили HyperWorld — метод, который структурирует данные не как обычный текст или простые пары фактов, а как «гиперребра». Такой подход группирует связанные сущности и отношения вокруг центральных объектов, создавая более логичную иерархию для обучения модели. В ходе экспериментов авторы сравнили этот метод с традиционными способами представления данных. Результаты показали, что гиперграфовая структура особенно эффективна для моделей среднего размера (от 0,5 до 1,5 млрд параметров). Такие модели лучше справляются с предсказанием последствий действий и определением их выполнимости, особенно в ситуациях, с которыми они не сталкивались при обучении. В задачах планирования агенты, обученные на гиперграфах, продемонстрировали самый высокий процент успешных действий. Исследование подчеркивает, что выбор способа представления данных (сериализации) критически важен для эффективности «мировых моделей» (world models). Использование гиперграфов выступает как эффективное индуктивное смещение, позволяющее даже относительно небольшим моделям достигать высокой точности в динамических средах, где требуется глубокое понимание причинно-следственных связей.