Xiaomi 8 destaca-se no EMNLP 2026 com pesquisas sobre agentes móveis, eficiência de modelos grandes e inteligência ativa

O principal congresso académico internacional na área de processamento de linguagem natural, EMNLP 2026, anunciou os resultados da aceitação de artigos, com a Xiaomi a ter 8 dos seus mais recentes resultados de pesquisa aceites, abrangendo várias áreas como agentes inteligentes móveis, eficiência de treino e inferência de grandes modelos, desenvolvimento inteligente e inteligência ativa. O EMNLP 2026 irá decorrer de 24 a 29 de outubro de 2026 em Budapeste, Hungria.

No âmbito dos agentes inteligentes móveis, a Xiaomi colaborou com equipas académicas para trazer três resultados importantes. O artigo GSAR propõe um novo mecanismo de recompensa para aprendizagem por reforço, permitindo que assistentes de IA gerem automaticamente tarefas de dificuldade crescente e caminhos de execução através de interações repetidas com aplicações, sendo capaz de determinar automaticamente se as operações alcançam os objetivos, libertando-se da dependência de regras manuais. Os experimentos mostram que a precisão do GSAR na determinação da conclusão de tarefas ultrapassa os 90%, melhorando significativamente a capacidade de operação real do assistente de IA em benchmarks populares como o AndroidWorld.

Outro estudo, o GUI-PRA, atualiza o “avaliador” para um agente inteligente de prova ativa, melhorando em média cerca de 5.0 e 6.5 pontos percentuais em dois benchmarks, AndroidWorld e Mobile-MiniWoB++, respetivamente. Além disso, o MaP, ao unificar os objetivos de treino, liga as capacidades de decisão de um passo, avaliação de estado e planeamento de múltiplos passos, aumentando a taxa de sucesso das tarefas no benchmark AndroidControl-High de 72.9% para 74.2%, e no AndroidControl-Low de 89.0% para 90.9%.

Avanços na eficiência de treino e inferência de grandes modelos

No que diz respeito à eficiência de grandes modelos, a equipa também fez vários avanços. O método Informed Masking aborda o problema da eficiência de treino em modelos de linguagem de difusão através da identificação de “questões difíceis” e “questões adequadas para prática” nas frases, permitindo que os recursos de treino sejam mais focados. Após a integração de três dos mais recentes métodos de aprendizagem por reforço dLLM e a sua aplicação no LLaDA-8B-Instruct, este método trouxe melhorias relativas de até 2.01%, 8.52% e 5.77% em benchmarks de matemática e planeamento.

O método ECHO resolve o gargalo de velocidade na “geração palavra a palavra” de grandes modelos, permitindo uma aceleração da inferência de 2.4 a 3.01 vezes sem aumentar qualquer parâmetro, através da colaboração entre camadas iniciais e o modelo completo. O estudo BORA-BUDGET foca-se na questão de “quando vale a pena pensar profundamente”, alcançando uma precisão de 91.40% no teste MATH500 do Qwen3-8B com apenas 3534 tokens, enquanto o modo de pensamento profundo completo requer 4293 tokens para atingir 93.33%, oferecendo um novo caminho para implementações de baixo custo.

Resultados significativos em desenvolvimento inteligente e inteligência ativa

No campo do desenvolvimento inteligente e da inteligência ativa, a estrutura ECO-SCE analisa alterações ao nível do código, eliminando antecipadamente soluções com baixa probabilidade de retorno. Após a integração do OpenEvolve, este método poupou em média 70.88% do tempo de GPU em 7 tarefas de benchmark, com 6 dessas tarefas a apresentarem melhorias de desempenho. A estrutura PRPF confere ao assistente móvel a capacidade de previsão ativa, aumentando a taxa de sucesso das tarefas no benchmark ProactiveMobile de 20.82% para 41.15%, enquanto a taxa de falsos positivos foi reduzida de 13.76% para 7.21%, diminuindo os custos de computação da inferência em 69.3%.

A Xiaomi afirmou que a IA está a tornar-se uma capacidade técnica importante que conecta telemóveis, automóveis e casas inteligentes, e que a eficiência dos modelos, a fiabilidade dos agentes e a capacidade do sistema de compreender o ambiente e as necessidades dos utilizadores influenciam diretamente a próxima fase da experiência inteligente. Os vários artigos aceites no EMNLP 2026 refletem a contínua exploração da Xiaomi nas áreas de grandes modelos, agentes inteligentes e inteligência ativa. Desde a pesquisa fundamental até à acumulação de capacidades de engenharia, e até às aplicações concretas em todo o ecossistema humano, automóvel e doméstico, a Xiaomi está constantemente a aprimorar o seu sistema de tecnologia de IA, permitindo que as pesquisas em diferentes direcções se apoiem e colaborem entre si.