小米 8 篇論文入選 EMNLP 2026　涵蓋移動智能體、大模型效率及主動智能方向

自然語言處理領域國際頂級學術會議 EMNLP 2026 公佈論文錄用結果，小米 Xiaomi 共有 8 篇最新研究成果成功入選，覆蓋移動智能體、大模型訓練與推理效率、智能研發與主動智能等多個方向。EMNLP 2026 將於 2026 年 10 月 24 日至 29 日在匈牙利布達佩斯舉行。

在移動智能體方向，小米與高校合作團隊帶來三項重要成果。其中 GSAR 論文提出全新的強化學習獎勵機制，讓 AI 助手在與應用程式的反覆互動中自動生成難度遞增的任務和執行路徑，並能夠自動判斷操作是否達成目標，擺脫對人工規則的依賴。實驗顯示，GSAR 判斷任務是否完成的準確率超過 90%，在 AndroidWorld 等主流基準上明顯提升了 AI 助手的實際操作能力。

另一項 GUI-PRA 研究將「打分員」升級為主動取證的智能體，在 AndroidWorld 和 Mobile-MiniWoB++ 兩大基準上比傳統打分方法平均提升約 5.0 和 6.5 個百分點。此外，MaP 通過統一訓練目標串聯單步決策、狀態判斷與跨步規劃三種能力，在 AndroidControl-High 基準上將任務成功率從 72.9% 提升至 74.2%，在 AndroidControl-Low 基準上從 89.0% 提升至 90.9%。

大模型訓練與推理效率取得多項進展

在大模型效率方向，團隊同樣取得多項進展。Informed Masking 方法針對擴散大語言模型的強化學習訓練效率問題，通過識別句子中的「高難度題」與「合適練手題」，讓訓練資源更聚焦。在接入三種最新的 dLLM 強化學習方法並應用於 LLaDA-8B-Instruct 後，該方法在數學和規劃類基準上分別帶來最高 2.01%、8.52% 和 5.77% 的相對平均提升。

ECHO 方法則解決大模型「逐字生成」的速度瓶頸，通過早期層與完整模型的協同工作，在不增加任何參數的情況下實現 2.4 至 3.01 倍的推理加速。BORA-BUDGET 研究關注「何時值得深度思考」的問題，在 Qwen3-8B 的 MATH500 測試中僅用 3534 個 token 就達到 91.40% 的準確率，而全量深度思考模式需要 4293 個 token 才能達到 93.33%，為低成本部署提供了新路徑。

智能研發與主動智能方向成果顯著

在智能研發與主動智能方向，ECO-SCE 框架通過分析代碼層面的改動，提前篩掉大概率沒有收益的方案。接入 OpenEvolve 後，該方法在 7 個基準任務上平均節省 70.88% 的 GPU 時間，其中 6 個任務性能不降反升。PRPF 框架則讓手機助手具備主動預判能力，在 ProactiveMobile 基準上將任務成功率從 20.82% 提升到 41.15%，同時將誤觸發率從 13.76% 降至 7.21%，推理算力開銷降低 69.3%。

小米方面表示，AI 正在成為連接手機、汽車與智能家居的重要技術能力，模型是否足夠高效、智能體是否足夠可靠、系統是否能夠理解環境與用戶需求，都會直接影響下一階段的智能體驗。此次入選 EMNLP 2026 的多篇論文，體現小米圍繞大模型、智能體、主動智能等方向的持續探索。從基礎研究到工程能力積累，再到人車家全生態中的具體應用，小米正不斷完善 AI 技術體系，讓不同方向的研究彼此支撐、相互協同。