arXiv cs.AIは2026年6月12日(現地時間)、テキスト環境における言語モデルエージェント (Language Model Agents) のワールドモデル (World Models) 改善に関する論文「HyperWorld: Hypergraph-Structured State Serialization Improves Learned Textual World Models」を掲載しました。Yun-Jian Zhang氏を含む10名の著者が執筆したこの研究は、状態シリアライゼーション (State Serialization) 構造の役割に焦点を当て、特にハイパーエッジ (Hyperedge) 構造がモデルの予測能力と計画能力を高める可能性を示唆しています。
この論文は、ワールドモデルが環境の動態を予測し、行動計画を立てる能力を高めるための状態表現方法を詳細に調査しています。研究チームは、生の状態観測と比較し、独立した文、ペアワイズトリプル、およびエンティティ (Entity) 中心でハイパーエッジ (Hyperedge) ユニットの3種類のシンボリックシリアライゼーション (Symbolic Serialization) を比較評価しました。
分析の結果、ハイパーエッジシリアライゼーションが特に顕著な性能向上を示すことが確認されました。これは、複数の関連する事実をエンティティと関係性 (Relation) に基づいてグループ化する形式であり、特に0.5Bから1.5B規模のモデルにおいて、また分布シフトがあるテスト環境においても効果を発揮しました。大規模モデルでは性能差が縮小する傾向が見られましたが、それでもハイパーエッジは、out-of-distributionのファクトF1スコアにおいて最も強力な結果を達成しました。さらに、実現可能性検出と効果予測の間で最適な中小規模のトレードオフを提供しています。
また、ダウンストリームの貪欲計画 (Downstream Greedy Planning) タスクにおいても、ハイパーエッジワールドモデルはテストされた表現の中で最高の成功率を記録しました。これらの包括的な結果は、モデルの容量が限られているシナリオや、テスト環境が訓練環境と異なる場合に、より高次の状態組織化が学習されたシンボリックワールドモデルに対し、シンプルかつ効果的な誘導バイアス (Inductive Bias) として機能することを示唆しています。
論文は、複雑なテキスト環境において、言語モデルがより効率的かつ正確に世界をモデル化するための新たな道筋を提示しています。状態表現の最適化が、AIエージェントの理解力と意思決定能力を向上させる上で極めて重要であることが、この研究によって裏付けられました。
参考: arXiv cs.AI (アーカイブ) — 2026年9月2日 13:00 (JST)
原文ハイライト"Hypergraph-Structured State Serialization Improves Learned Textual World Models"