HyperWorld：超图结构状态序列化提升文本世界模型学习效果

世界模型让基于语言模型的智能体在行动前预测环境动态并制定计划。在文本环境中，模型必须从序列化的状态描述中学习符号化的动作效果，但序列化结构本身的作用仍研究不足。

本文提出 HyperWorld，一项针对可学习的文本世界模型开展状态序列化的对照研究。研究团队比较了原始观察与同一真实状态的三种符号序列化表示，发现将状态建模为超图能够更准确地捕捉动作影响与实体关系。

实验表明，HyperWorld 在多个文本环境基准上优于现有序列化方法，不仅提升了世界模型的预测准确性，也改善了其在规划与模拟任务中的长期推理能力。

该方法为文本世界模型的状态表示提供了新的思路，有望在智能体决策、游戏 AI 和自动化规划等场景中进一步应用。