本文研究了一种LTLf合成的变体，旨在为多层次目标合成自适应策略。该策略通过博弈论技术动态调整，以较低的复杂度满足更多目标。

该研究评估了多模态大语言模型（MLLM）在提示工程中的表现，比较了七种方法。结果表明，自适应策略结合示例指导与选择性结构推理显著提升了模型的鲁棒性和准确性，为人工智能应用提供了有效的提示工程建议。

本研究系统探讨在线会议摘要，填补了以往离线任务的学术空白。提出多项策略和新评估指标，实验结果表明在线模型生成高质量摘要，自适应策略优于固定调度。

本研究提出了一种自适应数据收集策略，通过RIDO算法动态调整轨迹长度，解决了蒙特卡洛强化学习中固定长度轨迹的局限性，减少估计误差。结果显示该策略在多个领域表现优异。

大型语言模型（LLMs）在复杂环境中展示高级推理能力，尤其在竞拍中。AucArena作为评估工具，显示LLMs通过简单提示参与竞拍，并通过自适应策略提高准确性。尽管LLMs在模拟社交动态中有潜力，但能力差异明显，甚至最先进的模型如GPT-4有时也被超越，强调了改进代理设计的重要性。

本研究提出了一种新的信息增益方法，综合可见性增益和语义增益，选择下一个语义感知感兴趣点，并设计了自适应策略支持多自由度移动系统搜索和获取多个感兴趣对象。实验证明了该方法的优越性。

本研究提出了一种多模式方法来同时机器翻译，使用自适应策略平衡翻译质量和延迟，并通过集成视觉和文本信息来支持该过程。研究发现，视觉线索可以在保持延迟低的同时提高翻译质量。

本文介绍了一种自适应策略学习框架，该框架集成了离线学习和在线学习。它采用乐观/贪婪和悲观更新策略来提高离线数据集的质量，从而实现高样本效率。