本研究探讨了Mamba视觉模型的空间冗余问题，提出了定制化的token剪枝方法和动态选择SSM块的策略。Dynamic Vision Mamba (DyVM)有效减少了35.2%的FLOPs，准确率仅下降1.7%。

本研究提出了一种新的路径数据库引导方法（PDG），有效解决了机器人运动规划中信息利用不足的问题。PDG通过动态选择扩展节点和实时更新数据库，提高了搜索效率，实验结果表明其在多种环境下表现优异。

本文提出了一种新框架，解决有限通信范围下的多智能体路径规划问题。通过动态选择领先智能体，成功率超过90%，可处理多达25个智能体的复杂任务。

本研究提出DyPlan技术，通过动态选择策略提升大型语言模型的问答性能，实验结果显示性能提高7-13%，成本降低11-32%。

本研究提出了一种基于图分析的少样本语义分割方法，解决了提示选择和超参数设置的问题。通过动态选择点提示和聚类，提高了分割效率和准确性。实验结果表明，该方法在多个数据集上优于现有模型。

本研究提出了ClassroomKD框架，通过动态选择多位导师的策略，解决传统知识转移不足的问题。实验表明，该框架在图像分类和人体姿态估计任务中表现优异。

本研究提出了一种动态选择和定价户外投递的算法，能节约成本并提供对户外投递动态与顾客行为及定价策略之间相互作用的洞察。

AxiomVision框架通过边缘计算动态选择最高效的视觉模型来处理多样化的任务和环境。它提供了持续在线学习的动态视觉模型选择机制、高效的在线方法和基于拓扑的分组方法。实证结果显示，AxiomVision的准确性提高了25.7%。

本研究提出了一种动态选择和定价户外投递的算法，能节约成本并提供对户外投递动态与顾客行为及定价策略之间相互作用的洞察。

该文介绍了置信度条件价值函数的学习方法，能够在训练时学习不同的保守程度，并在评估时动态地选择其中一种。实验结果表明该方法在多个离散控制领域中的性能优于现有的保守离线强化学习算法。