Xiaomi 8: Forschung zu mobilen Intelligenzen, Effizienz großer Modelle und aktiver Intelligenz für EMNLP 2026 ausgewählt

Die internationale Top-Konferenz im Bereich der natürlichen Sprachverarbeitung, EMNLP 2026, hat die Ergebnisse der eingereichten Arbeiten veröffentlicht. Xiaomi Xiaomi hat insgesamt 8 aktuelle Forschungsarbeiten erfolgreich ausgewählt, die verschiedene Richtungen abdecken, darunter mobile intelligente Agenten, Effizienz in der Ausbildung und Inferenz großer Modelle, intelligente Forschung und aktive Intelligenz. EMNLP 2026 findet vom 24. bis 29. Oktober 2026 in Budapest, Ungarn, statt.

Im Bereich der mobilen intelligenten Agenten hat Xiaomi in Zusammenarbeit mit Hochschulteams drei wichtige Ergebnisse erzielt. Die GSAR-Arbeit schlägt einen neuen Verstärkungslern-Belohnungsmechanismus vor, der es dem KI-Assistenten ermöglicht, durch wiederholte Interaktionen mit Anwendungen automatisch Aufgaben mit zunehmendem Schwierigkeitsgrad und Ausführungswegen zu generieren und selbstständig zu beurteilen, ob die Operationen die Ziele erreicht haben, wodurch die Abhängigkeit von manuellen Regeln verringert wird. Die Experimente zeigen, dass die Genauigkeit von GSAR bei der Beurteilung, ob eine Aufgabe abgeschlossen ist, über 90 % liegt und die tatsächlichen Fähigkeiten des KI-Assistenten in gängigen Benchmarks wie AndroidWorld deutlich verbessert wurden.

Eine weitere Studie, GUI-PRA, hebt den „Bewertenden“ zu einem aktiven Beweisagenten an und erzielt im Vergleich zu traditionellen Bewertungsmethoden durchschnittliche Verbesserungen von etwa 5,0 und 6,5 Prozentpunkten in den Benchmarks AndroidWorld und Mobile-MiniWoB++. Darüber hinaus hat MaP durch die Vereinheitlichung der Trainingsziele die Fähigkeiten der Einzelentscheidungen, Zustandsbeurteilungen und übergreifenden Planungen miteinander verknüpft und die Erfolgsquote der Aufgaben im Benchmark AndroidControl-High von 72,9 % auf 74,2 % und im Benchmark AndroidControl-Low von 89,0 % auf 90,9 % erhöht.

Fortschritte in der Effizienz von großen Modellen bei Training und Inferenz

Im Bereich der Effizienz großer Modelle hat das Team ebenfalls mehrere Fortschritte erzielt. Die Methode Informed Masking adressiert das Problem der Effizienz des Verstärkungslernens bei großen Sprachmodellen, indem sie „schwierige Fragen“ und „geeignete Übungsfragen“ in Sätzen identifiziert, um die Trainingsressourcen besser zu fokussieren. Nach der Integration von drei der neuesten dLLM-Verstärkungslernmethoden in LLaDA-8B-Instruct brachte diese Methode in mathematischen und Planungsbenchmarks relative durchschnittliche Verbesserungen von bis zu 2,01 %, 8,52 % und 5,77 %.

Die ECHO-Methode löst das Geschwindigkeitsproblem der „Wort-für-Wort-Generierung“ großer Modelle, indem sie eine Zusammenarbeit zwischen frühen Schichten und dem vollständigen Modell ermöglicht und so eine Beschleunigung der Inferenz um das 2,4- bis 3,01-fache erreicht, ohne zusätzliche Parameter hinzuzufügen. Die BORA-BUDGET-Studie konzentriert sich auf die Frage „Wann lohnt es sich, tief nachzudenken?“ und erreicht im MATH500-Test von Qwen3-8B mit nur 3534 Tokens eine Genauigkeit von 91,40 %, während der vollständige tiefen Denkmodus 4293 Tokens benötigt, um 93,33 % zu erreichen, was einen neuen Weg für kostengünstige Implementierungen bietet.

Bedeutende Ergebnisse in der intelligenten Forschung und aktiven Intelligenz

Im Bereich der intelligenten Forschung und aktiven Intelligenz filtert das ECO-SCE-Rahmenwerk durch die Analyse von Codeänderungen im Voraus Lösungen mit geringer Gewinnwahrscheinlichkeit heraus. Nach der Integration von OpenEvolve spart diese Methode in 7 Benchmark-Aufgaben durchschnittlich 70,88 % der GPU-Zeit, wobei die Leistung in 6 Aufgaben nicht nur gleich bleibt, sondern sich sogar verbessert. Das PRPF-Rahmenwerk verleiht dem mobilen Assistenten die Fähigkeit zur aktiven Vorhersage und erhöht die Erfolgsquote der Aufgaben im ProactiveMobile-Benchmark von 20,82 % auf 41,15 %, während die Fehlalarmrate von 13,76 % auf 7,21 % gesenkt wird, was die Inferenzkosten um 69,3 % reduziert.

Xiaomi erklärt, dass KI zu einer wichtigen technologischen Fähigkeit wird, die Smartphones, Autos und intelligente Haushaltsgeräte verbindet. Die Effizienz der Modelle, die Zuverlässigkeit der Agenten und das Verständnis des Systems für die Umgebung und die Bedürfnisse der Benutzer werden direkt die nächste Phase des intelligenten Erlebnisses beeinflussen. Die Auswahl mehrerer Arbeiten für EMNLP 2026 spiegelt Xiaomis kontinuierliche Erkundung in den Bereichen große Modelle, intelligente Agenten und aktive Intelligenz wider. Vom Grundlagenforschung über den Aufbau ingenieurtechnischer Fähigkeiten bis hin zu konkreten Anwendungen im gesamten Ökosystem von Mensch, Fahrzeug und Haushalt verbessert Xiaomi kontinuierlich sein KI-Technologiesystem, sodass verschiedene Forschungsrichtungen sich gegenseitig unterstützen und synergistisch wirken.