小米、EMNLP 2026に8本の論文を発表　モバイルエージェント、大規模モデルの効率、アクティブインテリジェンスに関する研究

自然言語処理分野の国際的なトップ学術会議EMNLP 2026が論文の採択結果を発表し、小米 Xiaomiは8件の最新研究成果が選ばれ、モバイルインテリジェンス、大規模モデルのトレーニングと推論効率、インテリジェントな研究開発とアクティブインテリジェンスなど多くの分野をカバーしています。EMNLP 2026は2026年10月24日から29日までハンガリーのブダペストで開催されます。

モバイルインテリジェンスの分野では、小米が大学との共同チームと共に3つの重要な成果を発表しました。その中でGSAR論文は全く新しい強化学習の報酬メカニズムを提案し、AIアシスタントがアプリケーションとの反復的なインタラクションを通じて自動的に難易度が増すタスクと実行経路を生成し、操作が目標を達成したかどうかを自動的に判断できるようにし、人工的なルールへの依存から脱却しました。実験結果は、GSARがタスクの完了を判断する精度が90％を超え、AndroidWorldなどの主流ベンチマークでAIアシスタントの実際の操作能力を明らかに向上させたことを示しています。

もう一つのGUI-PRA研究では「スコアラー」をアクティブ証拠収集のインテリジェントエージェントにアップグレードし、AndroidWorldとMobile-MiniWoB++の2つのベンチマークで従来のスコアリング方法よりも平均約5.0および6.5パーセントポイント向上しました。さらに、MaPは統一されたトレーニング目標を通じて単ステップの意思決定、状態判断、跨ステップ計画の3つの能力を連結し、AndroidControl-Highベンチマークでのタスク成功率を72.9％から74.2％に、AndroidControl-Lowベンチマークで89.0％から90.9％に向上させました。

大規模モデルのトレーニングと推論効率において多くの進展を達成

大規模モデルの効率の分野でも、チームは多くの進展を遂げました。Informed Masking手法は、拡散大規模言語モデルの強化学習トレーニング効率の問題に対処し、文中の「難しい問題」と「適切な練習問題」を特定することで、トレーニングリソースをより集中させました。最新の3つのdLLM強化学習手法をLLaDA-8B-Instructに適用した結果、この手法は数学および計画関連のベンチマークでそれぞれ最高2.01％、8.52％、5.77％の相対的な平均向上をもたらしました。

ECHO手法は、大規模モデルの「逐次生成」の速度のボトルネックを解決し、初期層と完全モデルの協調作業により、パラメータを追加することなく2.4倍から3.01倍の推論加速を実現しました。BORA-BUDGET研究は「いつ深く考える価値があるか」という問題に焦点を当て、Qwen3-8BのMATH500テストでは3534トークンで91.40％の精度を達成し、全量深度思考モードでは4293トークンで93.33％に達する必要があり、低コストのデプロイメントに新たな道を提供しました。

インテリジェントな研究開発とアクティブインテリジェンスの成果が顕著

インテリジェントな研究開発とアクティブインテリジェンスの分野では、ECO-SCEフレームワークがコードレベルの変更を分析し、収益が見込まれない方案を事前に排除します。OpenEvolveを接続した後、この手法は7つのベンチマークタスクで平均70.88％のGPU時間を節約し、そのうち6つのタスクでは性能が向上しました。PRPFフレームワークは、モバイルアシスタントにアクティブな予測能力を持たせ、ProactiveMobileベンチマークでのタスク成功率を20.82％から41.15％に引き上げ、誤触発率を13.76％から7.21％に低下させ、推論計算コストを69.3％削減しました。

小米は、AIがスマートフォン、自動車、スマートホームをつなぐ重要な技術能力になっていると述べており、モデルが十分に効率的であるか、インテリジェントエージェントが十分に信頼できるか、システムが環境やユーザーのニーズを理解できるかが、次の段階のインテリジェントな体験に直接影響を与えるとしています。今回EMNLP 2026に選ばれた多数の論文は、大規模モデル、インテリジェントエージェント、アクティブインテリジェンスなどの分野における小米の継続的な探求を反映しています。基礎研究からエンジニアリング能力の蓄積、さらには人、車、家の全エコシステムにおける具体的な応用に至るまで、小米はAI技術体系を不断に改善し、異なる方向の研究が相互に支え合い、協力し合うようにしています。