MCP-Cosmos：世界模型增强的智能体在MCP环境中的复杂任务执行

arXiv 2026 57.6 method, system

TLDR

MCP-Cosmos将生成式世界模型集成到MCP中，实现预测性任务自动化，提升智能体在基准任务上的性能。

评分理由

The paper addresses a key gap between planning and execution by introducing a framework that uses world models for state simulation and plan refinement. Strengths include a novel BYOWM strategy and empirical evaluation on 20+ tasks. Weaknesses are limited details on world models and tasks, and lack of real-world validation.

Read-first 评分解释

综合优先阅读分 57.6，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 45。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、评估、实验、指标

引用影响力 18%

75.7

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.75708111

主题相关性 29%

64.3

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：315。

关键词评分

world model

generative world model

world simulator

world dynamics prediction

interactive world model

model-based reinforcement learning world model

video world model

深度分析

创新点

将生成式世界模型注入MCP生态系统以实现预测性任务自动化
自带世界模型（BYOWM）策略，允许智能体在执行前在潜在空间中模拟状态转换并优化计划
新指标如Execution Quality用于评估世界模型的有效性

方法

MCP-Cosmos是一个统一MCP、世界模型和智能体技术的框架。它采用两种智能体策略（ReAct和SPIRAL），结合2个规划模型和3个代表性世界模型，在20多个MCP-Bench任务上进行评估。评估指标包括工具成功率和工具参数准确性等环境交互KPI。

关键结果

该框架在工具成功率和工具参数准确性上表现出改进。新的Execution Quality指标提供了关于世界模型相对于基线有效性的洞察。

资源

论文