Zespół badawczy opracował HyperWorld - kontrolowane studium wpływu struktury serializacji stanu na tekstowe modele świata używane przez agentów opartych na językowych modelach. Problem badawczy skupia się na tym, jak reprezentujemy środowisko tekstowe dla modeli, które mają nauczyć się przewidywać efekty akcji i planować działania.
Naukowcy testowali cztery warianty reprezentacji tego samego stanu rzeczywistego: surowe obserwacje, zdania niezależne, pairwise triples (pary faktów) oraz entity-centered hyperedges (hiperkrawędzie skoncentrowane na jednostkach). Wszystkie warianty używały identycznego celu treningowego - model otrzymywał stan i akcję, następnie musiał przewidzieć symboliczne efekty lub ocenić czy akcja jest wykonalna. Eksperymenty obejmowały modele o różnych rozmiarach, różne budżety danych treningowych oraz testy zarówno w scenariuszach znanych jak i nowych środowisk.
Hiperkrawędziowa serializacja wykazała najwyraźne korzyści dla mniejszych modeli w zakresie 0.5B do 1.5B parametrów, szczególnie gdy model musiał działać w warunkach przesunięcia rozkładu. Większe modele zmniejszały tę przewagę, a reprezentacja triple'ów mogła dorównać lub nieznacznie przewyższać hiperkrawędzie w dokładności matchingu wewnątrz domeny. Jednak hiperkrawędzie osiągnęły najlepszy wynik F1 dla faktów spoza domeny treningowej oraz najlepszy kompromis dla modeli małych i średnich między detekcją osiągalności akcji a przewidywaniem efektów. W zadaniu planowania zachłannego (greedy planning) model świata oparty na hiperkrawędziach uzyskał również najwyższy współczynnik sukcesu wśród testowanych reprezentacji.