Разработчики ИИ-агентов часто сталкиваются с проблемой: как эффективно передать модели информацию об изменениях в виртуальной среде. В новой работе исследователи проанализировали, как способ представления (сериализации) состояния мира влияет на способность модели предсказывать последствия действий. Авторы сравнили три метода: простые предложения, пары фактов и гиперребра — структуру, объединяющую связанные данные вокруг конкретных сущностей и отношений. Результаты показали, что использование гиперребер дает значительное преимущество моделям среднего размера (от 0,5 до 1,5 млрд параметров). Такой подход позволяет агентам точнее предсказывать последствия действий и лучше адаптироваться к ситуациям, с которыми они не сталкивались во время обучения. Хотя более крупные модели способны частично компенсировать недостатки простых методов представления данных, гиперребра остаются наиболее эффективным инструментом для повышения успеха планирования при ограниченных вычислительных ресурсах.