University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

Look Less, Think Faster: Joint Token-Compute Adaptation for Multimodal LLMs

少看，快思考：多模态大语言模型的联合令牌-计算适配

Pengcheng Wang, Zhiquan Wang, Jayoung Lee, Zhuoyan Xu, Ran Xu, Saurabh Bagchi, Yin Li, Somali Chaterji

机构 * Purdue University（普渡大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； NVIDIA（英伟达） 纠错

AI总结 针对多模态大语言模型推理成本高的问题，提出SmartVL框架，通过视觉侧令牌控制器和LLM侧计算控制器联合控制视觉令牌数量和模型计算能力，实验证明该框架优于先前方法，实现更好的精度-效率平衡。

Comments Accepted at ECCV 2026

Distributed Motion Planning with Safety Guarantees for Self-Reconfiguring Robotic Boats

具有安全保障的自重构机器人船分布式运动规划

Alejandro Gonzalez-Garcia, Wei Wang, Wei Xiao, Wilm Decre, Jan Swevers, Carlo Ratti, Daniela Rus

机构 * KU Leuven（鲁汶大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Nanyang Technological University（南洋理工大学） ； SMART（新加坡制造技术研究院） ； SENSEable City Laboratory, Massachusetts Institute of Technology（麻省理工学院可感知城市实验室） ； Computer Science and Artificial Intelligence Lab (CSAIL), Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） 纠错

AI总结 研究水生自重构机器人多智能体形状形成与重构问题，提出将分布式MPC与CBF相结合的混合框架，利用ADMM求解MPC方案，通过局部优化和信息交换计算轨迹，并应用基于CBF的滤波器保障安全，经仿真和实验验证了框架的有效性与可扩展性。

Comments Submitted to IEEE

PIER: Physics-Informed Environmental Retrieval for Time-Series Modeling

PIER：用于时间序列建模的物理信息环境检索

Shiyuan Luo, Runlong Yu, Chonghao Qiu, Yue Qin, Rahul Ghosh, Robert Ladwig, Paul C. Hanson, Yiqun Xie, Xiaowei Jia

机构 * University of Pittsburgh（匹兹堡大学） ； University of Alabama（阿拉巴马大学） ； University of Minnesota（明尼苏达大学） ； Aarhus University（奥胡斯大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Maryland（马里兰大学） 纠错

AI总结 针对环境系统建模难题，提出PIER框架，通过物理感知流与权重调整机制增强基于嵌入的检索，在对美国中西部湖泊的实验中，该方法在水温及溶解氧预测上表现出色，优于基线且适用于不同主干模型。

Machine Can Automatically Discover Parametric Functions to Model HEP Data

机器可自动发现参数函数以对高能物理数据建模

Ho Fung Tsoi, Dylan Rankin, Cecile Caillol, Miles Cranmer, Sridhara Dasu, Javier Duarte, Philip Harris, Elliot Lipeles

机构 * University of Pennsylvania, USA（宾夕法尼亚大学） ； European Organization for Nuclear Research (CERN), Switzerland（欧洲核子研究中心） ； University of Cambridge, UK（剑桥大学） ； University of Wisconsin-Madison, USA（威斯康星大学麦迪逊分校） ； University of California San Diego, USA（加州大学圣地亚哥分校） ； Massachusetts Institute of Technology, USA（麻省理工学院） ； Institute for Artificial Intelligence（人工智能研究所） 纠错

AI总结 研究高能物理数据分析中为分箱数据找合适函数建模的问题，核心方法是用符号回归实现自动化，主要贡献是展示SymbolFit软件包，在双喷注谱演示中取得良好效果，如生成众多拟合函数，部分运行重新发现已用函数。

Comments 6 pages. to be presented at ICHEP 2026

Comparing Model-agnostic Feature Selection Methods through Relative Efficiency

通过相对效率比较模型无关特征选择方法

Chenghui Zheng, Garvesh Raskutti

机构 * Department of Statistics, University of Wisconsin - Madison（统计学系，威斯康星大学麦迪逊分校） 纠错

AI总结 研究在模型无关设置下的特征选择和重要性估计问题，基于相对效率开发通用比较框架，对比广义协方差测度（GCM）和留一协变量法（LOCO）估计等方法，通过理论分析、模拟及实际数据示例得出GCM相关方法在合适条件下更优的结论。