很多朋友不知道【小米8篇论文入选EMNLP 2026 AI大模型实现多项突破】，今天小绿就为大家解答一下。
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%。
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%。
小米集团
版权所有，未经许可不得转载 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。 【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。
以上问题已经回答了。如果你想了解更多，请关
新经网网站 (
https://www.xinhuatone.com/)
