La conferencia académica internacional de primer nivel en el campo del procesamiento de lenguaje natural, EMNLP 2026, ha anunciado los resultados de aceptación de trabajos. Xiaomi Xiaomi ha tenido 8 de sus más recientes investigaciones seleccionadas, abarcando múltiples direcciones como agentes inteligentes móviles, eficiencia en el entrenamiento y razonamiento de grandes modelos, desarrollo inteligente y inteligencia proactiva. EMNLP 2026 se llevará a cabo del 24 al 29 de octubre de 2026 en Budapest, Hungría.
En el ámbito de los agentes inteligentes móviles, Xiaomi ha colaborado con equipos académicos para presentar tres logros importantes. Uno de ellos, el trabajo sobre GSAR, propone un nuevo mecanismo de recompensa para el aprendizaje por refuerzo, permitiendo que los asistentes de IA generen automáticamente tareas de dificultad creciente y rutas de ejecución a través de interacciones repetidas con aplicaciones, además de poder juzgar automáticamente si se ha alcanzado el objetivo, liberándose de la dependencia de reglas manuales. Los experimentos muestran que la precisión de GSAR al juzgar si una tarea se ha completado supera el 90%, mejorando notablemente la capacidad operativa real del asistente de IA en benchmarks populares como AndroidWorld.
Otro estudio, GUI-PRA, mejora el «evaluador» a un agente inteligente proactivo, logrando un incremento promedio de aproximadamente 5.0 y 6.5 puntos porcentuales en los benchmarks de AndroidWorld y Mobile-MiniWoB++, respectivamente. Además, MaP, mediante la unificación de objetivos de entrenamiento, conecta las capacidades de decisión de un solo paso, juicio de estado y planificación de múltiples pasos, aumentando la tasa de éxito de la tarea en el benchmark AndroidControl-High del 72.9% al 74.2%, y en AndroidControl-Low del 89.0% al 90.9%.
Avances en la eficiencia de entrenamiento y razonamiento de grandes modelos
En el ámbito de la eficiencia de grandes modelos, el equipo también ha logrado múltiples avances. El método Informed Masking aborda el problema de la eficiencia en el entrenamiento por refuerzo de modelos de lenguaje de difusión, identificando «preguntas difíciles» y «preguntas adecuadas para practicar» en las oraciones, lo que permite que los recursos de entrenamiento se enfoquen mejor. Al integrar tres de los métodos de aprendizaje por refuerzo más recientes dLLM y aplicarlos a LLaDA-8B-Instruct, este método ha logrado mejoras promedio relativas de hasta 2.01%, 8.52% y 5.77% en benchmarks de matemáticas y planificación.
El método ECHO resuelve el cuello de botella de velocidad en la «generación palabra por palabra» de grandes modelos, logrando una aceleración de razonamiento de 2.4 a 3.01 veces sin aumentar ningún parámetro, gracias a la colaboración entre capas tempranas y el modelo completo. La investigación BORA-BUDGET se centra en la cuestión de «cuándo vale la pena pensar profundamente», logrando una precisión del 91.40% en la prueba MATH500 de Qwen3-8B utilizando solo 3534 tokens, mientras que el modo de pensamiento profundo completo requiere 4293 tokens para alcanzar el 93.33%, ofreciendo un nuevo camino para implementaciones de bajo costo.
Resultados significativos en desarrollo inteligente e inteligencia proactiva
En el ámbito del desarrollo inteligente y la inteligencia proactiva, el marco ECO-SCE analiza los cambios a nivel de código para descartar anticipadamente soluciones que probablemente no generen beneficios. Al integrar OpenEvolve, este método ha logrado un ahorro promedio del 70.88% en tiempo de GPU en 7 tareas de benchmark, donde 6 de las tareas no solo mantuvieron su rendimiento, sino que lo mejoraron. El marco PRPF permite que el asistente móvil tenga capacidad de anticipación proactiva, aumentando la tasa de éxito de la tarea en el benchmark ProactiveMobile del 20.82% al 41.15%, al mismo tiempo que reduce la tasa de activación accidental del 13.76% al 7.21%, disminuyendo el gasto de potencia de razonamiento en un 69.3%.
Xiaomi ha declarado que la IA se está convirtiendo en una capacidad tecnológica clave para conectar teléfonos, automóviles y hogares inteligentes. La eficiencia del modelo, la fiabilidad del agente y la capacidad del sistema para entender el entorno y las necesidades del usuario impactarán directamente en la próxima fase de la experiencia inteligente. Los múltiples trabajos seleccionados para EMNLP 2026 reflejan la continua exploración de Xiaomi en torno a grandes modelos, agentes inteligentes e inteligencia proactiva. Desde la investigación básica hasta la acumulación de capacidades de ingeniería y su aplicación concreta en el ecosistema de vehículos, hogares y personas, Xiaomi está perfeccionando constantemente su sistema tecnológico de IA, permitiendo que las investigaciones en diferentes direcciones se apoyen y colaboren entre sí.
| Ítem | Resultado |
|---|---|
| Precisión de juicio de finalización de tareas GSAR | Más del 90% |
| Mejora de benchmark GUI-PRA (AndroidWorld) | Aumento promedio de aproximadamente 5.0 puntos porcentuales |
| Mejora de benchmark GUI-PRA (Mobile-MiniWoB++) | Aumento promedio de aproximadamente 6.5 puntos porcentuales |
| MaP (AndroidControl-High) | Tasa de éxito de la tarea aumentada del 72.9% al 74.2% |
| MaP (AndroidControl-Low) | Tasa de éxito de la tarea aumentada del 89.0% al 90.9% |
| Mejora relativa máxima de Informed Masking | 2.01%, 8.52%, 5.77% |
| Aceleración de razonamiento ECHO | 2.4 a 3.01 veces |
| BORA-BUDGET (MATH500) | 3534 tokens alcanzan 91.40%; 4293 tokens alcanzan 93.33% |
| Ahorro de tiempo de GPU ECO-SCE | Ahorro promedio del 70.88% |
| Tasa de éxito PRPF | Aumentada del 20.82% al 41.15% |
| Tasa de activación accidental PRPF | Reducida del 13.76% al 7.21% |
| Gasto de potencia de razonamiento PRPF | Reducido en un 69.3% |