이 논문은 텍스트 기반 월드 모델 학습에서 상태를 어떻게 직렬화(serialization)하느냐가 성능에 미치는 영향을 통제된 실험으로 분석한 HyperWorld를 제안한다. 원시 관측값과 독립 문장, 쌍별 트리플, 개체를 중심으로 관련 사실들을 묶는 하이퍼엣지 단위 등 세 가지 기호적 직렬화 방식을 동일한 학습 목표(상태와 행동이 주어졌을 때 효과를 예측하거나 실행 불가능 여부 판단) 하에서 비교했다. 0.5B~1.5B 규모의 모델과 분포 밖(OOD) 테스트 환경에서는 하이퍼엣지 직렬화가 가장 뚜렷한 성능 향상을 보였으며, 모델이 커질수록 격차는 줄어들고 쌍별 트리플이 분포 내 정확도에서는 하이퍼엣지와 비슷하거나 앞서지만, 하이퍼엣지는 OOD 사실 F1 점수와 다운스트림 그리디 플래닝 성공률에서 가장 우수한 결과를 냈다. 이는 모델 용량이 제한적이거나 테스트 환경이 학습 환경과 다를 때, 고차원적 상태 조직화가 간단하면서도 효과적인 귀납적 편향이 될 수 있음을 시사한다.

• •텍스트 월드 모델 학습에서 상태 직렬화 구조의 영향을 통제 실험으로 분석한 HyperWorld 제안
• •개체 중심으로 관련 사실을 묶는 하이퍼엣지 직렬화가 0.5B~1.5B 소규모 모델과 분포 외(OOD) 환경에서 가장 큰 성능 향상
• •모델이 커질수록 직렬화 방식간 격차는 줌어듦
• •쌍별 트리플은 분포 내 정확 일치도에서는 하이퍼엣지와 비슷하거나 약간 앞서나 OOD F1과 플래닝 성공률은 하이퍼엣지가 우위
• •고차원 상태 조직화가 모델 용량이 제한적이거나 테스트 환경이 달라질 때 효과적인 귀납적 편향임을 시사