أعلنت المؤتمر الدولي الرائد في مجال معالجة اللغة الطبيعية EMNLP 2026 عن نتائج قبول الأوراق البحثية، حيث تم قبول 8 أوراق بحثية جديدة من Xiaomi، تغطي مجالات متعددة مثل الوكلاء الذكيين المتنقلين، وكفاءة تدريب واستدلال النماذج الكبيرة، والبحث والتطوير الذكي، والذكاء النشط. سيعقد EMNLP 2026 في الفترة من 24 إلى 29 أكتوبر 2026 في بودابست، المجر.
في مجال الوكلاء الذكيين المتنقلين، قدمت Xiaomi بالتعاون مع فرق من الجامعات ثلاث نتائج هامة. حيث قدمت ورقة GSAR آلية جديدة لمكافأة التعلم المعزز، مما يسمح للمساعد الذكي بإنشاء مهام ومسارات تنفيذ صعبة بشكل تلقائي من خلال التفاعل المتكرر مع التطبيقات، ويمكنه أيضًا الحكم تلقائيًا على ما إذا كانت العمليات قد حققت الأهداف، مما يحرره من الاعتماد على القواعد اليدوية. أظهرت التجارب أن دقة GSAR في الحكم على إتمام المهام تتجاوز 90%، مما أدى إلى تحسين كبير في القدرة التشغيلية الفعلية للمساعد الذكي على معايير رئيسية مثل AndroidWorld.
أما البحث الآخر GUI-PRA فقد قام بترقية “المقيم” إلى وكيل نشط لجمع الأدلة، حيث حقق متوسط تحسين بنسبة حوالي 5.0 و 6.5 نقطة مئوية على معيارين رئيسيين هما AndroidWorld و Mobile-MiniWoB++. بالإضافة إلى ذلك، نجح MaP في ربط ثلاثة قدرات هي اتخاذ القرار خطوة بخطوة، والحكم على الحالة، والتخطيط عبر الخطوات من خلال هدف تدريب موحد، مما زاد من معدل نجاح المهام من 72.9% إلى 74.2% على معيار AndroidControl-High، ومن 89.0% إلى 90.9% على معيار AndroidControl-Low.
تحقيق تقدم كبير في كفاءة تدريب واستدلال النماذج الكبيرة
في مجال كفاءة النماذج الكبيرة، حقق الفريق أيضًا تقدمًا كبيرًا. حيث تعالج طريقة Informed Masking مشكلة كفاءة تدريب التعلم المعزز للنماذج اللغوية الكبيرة من خلال تحديد “المسائل الصعبة” و”المسائل المناسبة للتدريب” في الجمل، مما يجعل موارد التدريب أكثر تركيزًا. بعد دمج ثلاث طرق جديدة للتعلم المعزز dLLM وتطبيقها على LLaDA-8B-Instruct، حققت هذه الطريقة تحسينات نسبية متوسطة تصل إلى 2.01% و8.52% و5.77% على معايير الرياضيات والتخطيط.
أما طريقة ECHO فقد حلت مشكلة عنق الزجاجة في سرعة “التوليد كلمة بكلمة” للنماذج الكبيرة، من خلال التعاون بين الطبقات المبكرة والنموذج الكامل، مما حقق تسريعًا في الاستدلال يتراوح بين 2.4 إلى 3.01 مرة دون زيادة أي معلمات. تركز دراسة BORA-BUDGET على مسألة “متى يستحق الأمر التفكير العميق”، حيث حققت في اختبار MATH500 لـ Qwen3-8B دقة 91.40% باستخدام 3534 توكن، بينما يتطلب نمط التفكير العميق الكامل 4293 توكن لتحقيق 93.33%، مما يوفر مسارًا جديدًا للنشر بتكلفة منخفضة.
نتائج ملحوظة في مجالات البحث والتطوير الذكي والذكاء النشط
في مجالات البحث والتطوير الذكي والذكاء النشط، يعمل إطار ECO-SCE على تحليل التغييرات على مستوى الكود، مما يتيح تصفية الحلول التي من المحتمل أن لا تحقق فوائد مسبقًا. بعد دمج OpenEvolve، حققت هذه الطريقة متوسط توفير بنسبة 70.88% من وقت GPU على 7 مهام معيارية، حيث لم تنخفض الأداء في 6 مهام بل تحسن. أما إطار PRPF فقد منح المساعد الذكي القدرة على التنبؤ النشط، حيث زاد معدل نجاح المهام من 20.82% إلى 41.15% على معيار ProactiveMobile، بينما انخفض معدل التنبيهات الخاطئة من 13.76% إلى 7.21%، مما قلل من استهلاك القدرة الحسابية للاستدلال بنسبة 69.3%.
أفادت Xiaomi أن الذكاء الاصطناعي أصبح تقنية مهمة تربط بين الهواتف والسيارات والمنازل الذكية، حيث أن كفاءة النموذج، وموثوقية الوكلاء، وقدرة النظام على فهم البيئة واحتياجات المستخدمين، كلها تؤثر بشكل مباشر على تجربة الذكاء في المرحلة التالية. تعكس الأوراق البحثية المتعددة التي تم قبولها في EMNLP 2026 استكشاف Xiaomi المستمر في مجالات النماذج الكبيرة والوكلاء والذكاء النشط. من البحث الأساسي إلى تراكم القدرات الهندسية، وصولاً إلى التطبيقات المحددة في النظام البيئي للسيارات والمنازل، تعمل Xiaomi على تحسين نظام تقنيات الذكاء الاصطناعي، مما يتيح دعم وتعاون الأبحاث في مجالات مختلفة.
| البند | النتيجة |
|---|---|
| دقة الحكم على إتمام مهام GSAR | أكثر من 90% |
| تحسين معيار GUI-PRA (AndroidWorld) | تحسين متوسط حوالي 5.0 نقطة مئوية |
| تحسين معيار GUI-PRA (Mobile-MiniWoB++) | تحسين متوسط حوالي 6.5 نقطة مئوية |
| MaP (AndroidControl-High) | زيادة معدل نجاح المهام من 72.9% إلى 74.2% |
| MaP (AndroidControl-Low) | زيادة معدل نجاح المهام من 89.0% إلى 90.9% |
| أقصى تحسين نسبي لـ Informed Masking | 2.01%، 8.52%، 5.77% |
| تسريع الاستدلال لـ ECHO | من 2.4 إلى 3.01 مرة |
| BORA-BUDGET (MATH500) | 3534 توكن تحقق 91.40%؛ 4293 توكن تحقق 93.33% |
| توفير وقت GPU لـ ECO-SCE | متوسط توفير 70.88% |
| معدل نجاح PRPF | من 20.82% إلى 41.15% |
| معدل التنبيهات الخاطئة لـ PRPF | من 13.76% إلى 7.21% |
| خفض استهلاك القدرة الحسابية للاستدلال لـ PRPF | 69.3% |