論文の概要: MCP-Cosmos: World Model-Augmented Agents for Complex Task Execution in MCP Environments
- arxiv url: http://arxiv.org/abs/2605.09131v1
- Date: Sat, 09 May 2026 19:25:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.078166
- Title: MCP-Cosmos: World Model-Augmented Agents for Complex Task Execution in MCP Environments
- Title（参考訳）: MCP-コスモス:MPP環境における複雑なタスク実行のための世界モデル拡張エージェント
- Abstract要約: 我々は,生成的世界モデル(WM)をMCPエコシステムに注入し,予測タスク自動化を実現するフレームワークであるMPP-Cosmosを提案する。
我々は、BYOWM(Bring Your Own World Model)戦略により、エージェントが状態遷移をシミュレートし、実行前に潜在空間で洗練を計画できることを示した。
- 参考スコア（独自算出の注目度）: 2.344185522187755
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Model Context Protocol (MCP) has unified the interface between Large Language Models (LLMs) and external tools, yet a fundamental gap remains in how agents conceptualize the environments within which they operate. Current paradigms are bifurcated: Task-level planning often ignores execution-time dynamics, while reactive execution lacks long-horizon foresight. We present MCP-Cosmos, a framework that infuses generative World Models (WM) into the MCP ecosystem to enable predictive task automation. By unifying three disparate technologies, namely MCP, World Model, and Agent, we demonstrate that a "Bring Your Own World Model" (BYOWM) strategy allows agents to simulate state transitions and refine plans in a latent space before execution. We conducted experiments using two strategies, namely ReAct and SPIRAL with 2 planning models and 3 representative world models over 20+ MCP-Bench tasks. We observed improvements in Agent's environment interaction KPI such as tool success rate and tool parameter accuracy. The framework also offers new metrics such as Execution Quality to generate new insights about the effectiveness of world models compared to baseline.
- Abstract（参考訳）: Model Context Protocol(MCP)は、LLM(Large Language Models)と外部ツールのインターフェースを統一しているが、エージェントが操作する環境をどう概念化するかについては、根本的なギャップが残っている。
タスクレベルの計画では、実行時のダイナミクスを無視することが多い。
我々は,生成的世界モデル(WM)をMCPエコシステムに注入し,予測タスク自動化を実現するフレームワークであるMPP-Cosmosを提案する。
MCP, World Model, Agentの3つの異なる技術を統合することで、エージェントが実行前に状態遷移をシミュレートし、計画の洗練を可能にする「Bring Your Own World Model」(BYOWM)戦略が実証される。
我々は2つの計画モデルと3つの代表的世界モデルを用いた2つの戦略、すなわちReActとSPIRALを用いて20以上のMPP-Benchタスクを用いて実験を行った。
我々は,ツール成功率やツールパラメータの精度など,エージェントの環境相互作用KPIの改善を観察した。
このフレームワークは、ベースラインと比較して世界モデルの有効性に関する新たな洞察を生み出すために、Execution Qualityのような新しいメトリクスも提供する。
関連論文リスト
- From World Action Models to Embodied Brains: A Roadmap for Open-World Physical Intelligence [54.62791372989525]
アクションモデル、ビジョン言語-アクションポリシー、世界モデルは、この目標を前進させた。
世界行動モデル(WAM)は、候補者の介入と予測された結果とを結びつけるため、特に有望である。
我々は、WAMへの進化をレビューし、これらの制限をモデルの役割と表現、目的と標準化、システム構成という3つの組み合わせのギャップにまとめる。
論文 参考訳（メタデータ） (2026-07-13T15:22:56Z) - Bridging the Agent-World Gap: Text World Models for LLM-based Agents [83.8237017249529]
大規模言語モデル(LLM)ベースのエージェントは、インタラクティブなテキスト環境においてますます使われている。
多くは反応が強く、これらの環境がどのように構成され、どのように進化するかの明確なモデルなしで、観察を行動にマッピングする。
テキストワールドモデル(TWMs): 状態と候補アクションが与えられたら、結果のWebページ、端末出力、API応答、ユーザ応答を予測する。
LLMをベースとしたエージェントのテキストワールドモデルについて,形式的なフレームワークとエージェントライフサイクルを中心に整理し,体系的にレビューを行った。
論文 参考訳（メタデータ） (2026-06-08T04:58:52Z) - Unifying Object-Centric World Models and Diffusion Policy: A Hierarchical Framework for Multi-Stage Robotic Tasks [44.06996146648851]
マルチステージロボット操作用に設計された世界モデルフレームワークであるWorldDPを紹介する。
我々の階層的アプローチは、実行中に実現可能なサブゴールを最適化するために、遷移関数として高レベル世界モデルを利用する。
環境エンティティを分離したオブジェクト中心の表現を導入し,それぞれに対して順次計画を立てることを可能にする。
論文 参考訳（メタデータ） (2026-06-07T18:39:45Z) - MagicAgent: Towards Generalized Agent Planning [73.21129030631421]
汎用エージェント計画に特化して設計された基盤モデルである textbfMagicAgent について述べる。
多様な計画タスクにまたがる高品質なトラジェクトリを生成する軽量でスケーラブルな合成データフレームワークを提案する。
MagicAgent-32B と MagicAgent-30B-A3B は様々なオープンソースベンチマークにおいて優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2026-02-22T01:39:16Z) - Agent2World: Learning to Generate Symbolic World Models via Adaptive Multi-Agent Feedback [51.22403664895878]
Agent2Worldは、強力な推論時ワールドモデル生成を実現するツール拡張マルチエージェントフレームワークである。
また、マルチエージェントフィードバックの生成を基盤にすることで、教師付き微調整のためのデータエンジンとしても機能する。
論文 参考訳（メタデータ） (2025-12-26T18:54:14Z) - EmbodiedBrain: Expanding Performance Boundaries of Task Planning for Embodied Intelligence [17.644658293987955]
身体的AIエージェントは、物理的環境における堅牢な空間認識、効果的なタスク計画、適応実行を行うことができる。
現在の大規模言語モデル (LLMs) とマルチモーダルLLM (MLLMs) の具体化タスクは、重要な制約に悩まされている。
EmbodiedBrain は 7B と 32B のパラメータサイズで利用できる新しい視覚言語基盤モデルである。
論文 参考訳（メタデータ） (2025-10-23T14:05:55Z) - ExoPredicator: Learning Abstract Models of Dynamic Worlds for Robot Planning [77.49815848173613]
本研究では,内因性行動とメカニズムの両方について,シンボル的状態表現と因果過程を共同で学習する抽象世界モデルのためのフレームワークを提案する。
シミュレーションされた5つのテーブルトップロボット環境の中で、学習されたモデルは、より多くのオブジェクトとより複雑な目標を持つ保留タスクに一般化した高速な計画を可能にし、幅広いベースラインを上回ります。
論文 参考訳（メタデータ） (2025-09-30T13:44:34Z) - Communicating Plans, Not Percepts: Scalable Multi-Agent Coordination with Embodied World Models [0.0]
MARL(Multi-Agent Reinforcement Learning)の中心的な疑問は、通信プロトコルを設計するか、エンドツーエンドで学習するかである。
本稿では,協調的なタスク割り当て問題に対する2つのコミュニケーション戦略を提案し,比較する。
我々の実験によると、創発的コミュニケーションは単純な設定で実現可能であるが、設計された世界モデルベースのアプローチは、複雑さが増大するにつれて、優れたパフォーマンス、サンプル効率、スケーラビリティを示す。
論文 参考訳（メタデータ） (2025-08-04T21:29:07Z) - Unlocking Smarter Device Control: Foresighted Planning with a World Model-Driven Code Execution Approach [82.27842884709378]
本研究では,自然言語理解と構造化推論を優先し,エージェントの環境に対するグローバルな理解を高める枠組みを提案する。
本手法は,従来の手法,特にタスク成功率の44.4%向上を達成している。
論文 参考訳（メタデータ） (2025-05-22T09:08:47Z) - EgoPlan-Bench: Benchmarking Multimodal Large Language Models for Human-Level Planning [84.6451394629312]
実世界のシナリオにおけるMLLMの計画能力を評価するベンチマークであるEgoPlan-Benchを紹介する。
EgoPlan-Benchは、人間レベルのタスクプランニングを実現するためのMLLMの改善のかなりの範囲を浮き彫りにする。
また,EgoPlan-Bench上でのモデル性能を効果的に向上する特殊命令チューニングデータセットであるEgoPlan-ITを提案する。
論文 参考訳（メタデータ） (2023-12-11T03:35:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。