【CNMO 科技消息】近日，自然语言处理领域国际顶级学术会议 EMNLP 2026 公布论文录用结果，小米共有 8 篇最新研究成果成功入选，覆盖移动智能体、大模型训练与推理效率、智能研发与主动智能等多个方向。EMNLP 2026 将于 2026 年 10 月 24 日至 29 日在匈牙利布达佩斯举行。

小米集团

在移动智能体方向，小米与高校合作团队带来了三项重要成果。其中 GSAR 论文提出了一套全新的强化学习奖励机制，让 AI 助手在与 App 的反复交互中自动生成难度递增的任务和执行路径，并能够自动判断操作是否达成目标，摆脱对人工规则的依赖。实验显示，GSAR 判断任务是否完成的准确率超过 90%，在 AndroidWorld 等主流基准上明显提升了 AI 助手的实际操作能力。另一项 GUI-PRA 研究则将 " 打分员 " 升级为主动取证的智能体，在 AndroidWorld 和 Mobile-MiniWoB++ 两大基准上比传统打分方法平均提升约 5.0 和 6.5 个百分点。此外，MaP 通过统一训练目标串联单步决策、状态判断与跨步规划三种能力，在 AndroidControl-High 基准上将任务成功率从 72.9% 提升至 74.2%，在 AndroidControl-Low 基准上从 89.0% 提升至 90.9%。

在大模型效率方向，团队同样取得了多项进展。Informed Masking 方法针对扩散大语言模型的强化学习训练效率问题，通过识别句子中的 " 高难度题 " 与 " 合适练手题 "，让训练资源更聚焦。在接入三种最新的 dLLM 强化学习方法并应用于 LLaDA-8B-Instruct 后，该方法在数学和规划类基准上分别带来最高 2.01%、8.52% 和 5.77% 的相对平均提升。ECHO 方法则解决了大模型 " 逐字生成 " 的速度瓶颈，通过早期层与完整模型的协同工作，在不增加任何参数的情况下实现了 2.4 至 3.01 倍的推理加速。BORA-BUDGET 研究关注 " 何时值得深度思考 " 的问题，在 Qwen3-8B 的 MATH500 测试中仅用 3534 个 token 就达到了 91.40% 的准确率，而全量深度思考模式需要 4293 个 token 才能达到 93.33%，为低成本部署提供了新路径。

在智能研发与主动智能方向，ECO-SCE 框架通过分析代码层面的改动，提前筛掉大概率没有收益的方案。接入 OpenEvolve 后，该方法在 7 个基准任务上平均节省 70.88% 的 GPU 时间，其中 6 个任务性能不降反升。PRPF 框架则让手机助手具备主动预判能力，在 ProactiveMobile 基准上将任务成功率从 20.82% 提升到 41.15%，同时将误触发率从 13.76% 降至 7.21%，推理算力开销降低 69.3%。

小米方面表示，AI 正在成为连接手机、汽车与智能家居的重要技术能力，模型是否足够高效、智能体是否足够可靠、系统是否能够理解环境与用户需求，都会直接影响下一阶段的智能体验。此次入选 EMNLP 2026 的多篇论文，体现了小米围绕大模型、智能体、主动智能等方向的持续探索。从基础研究到工程能力积累，再到人车家全生态中的具体应用，小米正在不断完善 AI 技术体系，让不同方向的研究彼此支撑、相互协同。

版权所有，未经许可不得转载