AI可可AI生活

这一期，我们来聊聊几个特别有意思的“AI悖论”：想让AI团队更强，是该招“通才”还是“专才”？AI写下的思考步骤，究竟是真实的内心独白，还是为了让你满意的“事后表演”？而教一个AI“学生”，是让他抄答案更有效，还是抄解题思路更靠谱？几篇最新的论文，给了我们一些出乎意料的答案。00:00:27 人多力量大，还是术业有专攻？00:07:33 AI的“胎记”，我们如何给机器生成的内容盖个章？00:12:46 AI训练的快慢之争，一个两全其美的方案00:18:35 你的AI队友，是在真思考还是在“演”给你看？00:23:52 让AI“小号”变聪明的秘密，抄答案还是抄思路？本期介绍的几篇论文：[LG] Slicing and Dicing: Configuring Optimal Mixtures of Experts [University of Washington & New York University] https://arxiv.org/abs/2605.11689 ---[LG] TextSeal: A Localized LLM Watermark for Provenance & Distillation Protection [Meta Superintelligence Labs] https://arxiv.org/abs/2605.12456 ---[LG] Learning, Fast and Slow: Towards LLMs That Adapt Continually [UC Berkeley & Mila] https://arxiv.org/abs/2605.12484 ---[LG] When Reasoning Traces Become Performative: Step-Level Evidence that Chain-of-Thought Is an Imperfect Oversight Channel [CMU & Fujitsu Research of America Inc] https://arxiv.org/abs/2605.11746 ---[CL] A Study on Hidden Layer Distillation for Large Language Model Pre-Training [Google DeepMind] https://arxiv.org/abs/2605.11513

你有没有想过，AI也会有“选择困难症”吗？或者，怎么才能给AI请个既省钱又能干的“陪练”？这一期，我们就来聊聊几篇有趣的最新论文，看看科学家们是如何教会AI像高手一样反思、像侦探一样倾听“沉默的投票”，甚至用中学物理知识，给AI装上一双“3D眼睛”的。准备好了吗？让我们一起出发！00:00:29 鸡娃不如“陪练”，AI训练的降本增效新思路00:05:53 AI的学霸秘籍，如何像高手一样思考和进化00:12:12 AI的阅读术，如何既快又好地啃下海量信息？00:18:24 AI的“过分自信”，原来是种“选择困难症”00:23:39 让AI拥有“立体视觉”的省钱妙计本期介绍的几篇论文：[LG] CoDistill-GRPO: A Co-Distillation Recipe for Efficient Group Relative Policy Optimization [Google Research] https://arxiv.org/abs/2605.08873 ---[CL] RubricEM: Meta-RL with Rubric-guided Policy Decomposition beyond Verifiable Rewards [Google Cloud AI Research] https://arxiv.org/abs/2605.10899 ---[CL] Scratchpad Patching: Decoupling Compute from Patch Size in Byte-Level Language Models [Google DeepMind] https://arxiv.org/abs/2605.09630 ---[CL] The Silent Vote: Improving Zero-Shot LLM Reliability by Aggregating Semantic Neighborhoods [Google] https://arxiv.org/abs/2605.09739 ---[LG] RelFlexformer: Efficient Attention 3D-Transformers for Integrable Relative Positional Encodings [Seoul National University & Google Research] https://arxiv.org/abs/2605.10706

今天我们要聊点特别有意思的话题：AI是怎么“思考”和“成长”的？我们会从几篇最新的论文出发，看看AI如何学会聪明地“花钱”，如何在学习中分清“英雄”与“集体”；然后，我们会揭秘它那套先打“草稿”再复核的高效工作法。最后，我们会用一把全新的“尺子”去度量它成长的极限，并给它做一份“智商测试”，看看这个“天才”到底偏科有多严重。准备好了吗？让我们一起潜入AI的大脑深处。00:00:33 如何打造一个“更划算”的虚拟世界？00:06:10 大模型的“缩放法则”里，藏着什么秘密？00:13:40 快与慢，AI世界里的“草稿式”工作法00:19:55 你的数据值多少钱？一个新尺子，看透AI的增长极限00:26:42 AI的“智商”报告，一个偏科天才的养成本期介绍的几篇论文：[LG] On Training in Imagination [Weizmann Institute of Science & New York University & Columbia University] https://arxiv.org/abs/2605.06732 ---[LG] Spectral Dynamics in Deep Networks: Feature Learning, Outlier Escape, and Learning Rate Transfer [Harvard University] https://arxiv.org/abs/2605.07870 ---[CL] Fast Byte Latent Transformer [FAIR at Meta] https://arxiv.org/abs/2605.08044 ---[LG] On the Invariance and Generality of Neural Scaling Laws [Johns Hopkins University & MIT] https://arxiv.org/abs/2605.07546 ---[AI] Uneven Evolution of Cognition Across Generations of Generative AI Models [Google DeepMind & Google Research] https://arxiv.org/abs/2605.06815

你有没有想过，一个真正聪明的AI，应该具备哪些超越“有问必答”的能力？本期节目，我们将通过几篇最新的AI论文，一探究竟。我们将看到，AI如何从一个被动的知识库，进化成一个懂得“追问”的医生，以及一个会“打腹稿”的作家。我们还会揭示，AI如何学会把“登天”的难题拆解成“上楼”和“坐电梯”，又是如何通过一个“记忆外挂”实现过目不忘的。准备好了吗？让我们一起刷新对AI“思考能力”的认知！00:00:34 AI看病，真正厉害的不是“诊断”而是“追问”00:06:35 把“登天”的难题，拆解成“上楼”和“坐电梯”00:11:52 AI开口说话，非得“一句接一句”吗？00:16:47 面对海量数据，我们如何看清那只“看不见的手”？00:23:46 AI的“记忆外挂”，如何让它过目不忘？本期介绍的几篇论文：[AI] SymptomAI: Towards a Conversational AI Agent for Everyday Symptom Assessment [Google Research] https://arxiv.org/abs/2605.04012 ---[LG] Conditional Diffusion Sampling [University of Cambridge & University of Granada & University of British Columbia] https://arxiv.org/abs/2605.04013 ---[CL] Continuous Latent Diffusion Language Model [Bytedance Seed] https://arxiv.org/abs/2605.06548 ---[LG] High-Dimensional Statistics: Reflections on Progress and Open Problems [Columbia University & Harvard University & CMU] https://arxiv.org/abs/2605.05076 ---[CL] TIDE: Every Layer Knows the Token Beneath the Context [Apple] https://arxiv.org/abs/2605.06216

你有没有想过，最简单的数学平均值，竟然能打败最复杂的压缩算法？或者，在教AI“做什么”之前，我们其实可以先给它“喂”一套完整的思想和人设？本期节目，我们将从四篇最新的AI论文出发，一起探寻如何让AI自己长出可拆分的“乐高模块”，以及如何像一位顶级名师那样，把奖励精准地“夸”到AI的灵光一闪之处。00:00:29 你的记忆能被压缩多少，藏在一个几何定律里00:06:42 训练AI，从“喂”指令到“喂”思想00:11:47 AI减肥记，如何让一个大模型只带“脑子”出门？00:17:54 AI也需要“夸到点子上”？本期介绍的几篇论文：[LG] The Geometry of Consolidation A Bharadwaj Vangara, A Gopinath https://github.com/niashwin/geometry-of-consolidation/blob/main/paper/arxiv/main.pdf ---[AI] Model Spec Midtraining: Improving How Alignment Training Generalizes C Li, S Price, S Marks, J Kutasov https://arxiv.org/abs/2605.02087 ---[CL] EMO: Pretraining Mixture of Experts for Emergent Modularity R Wang, A Bhagia, S Min https://arxiv.org/abs/2605.06663 ---[LG] DGPO: Distribution Guided Policy Optimization for Fine Grained Credit Assignment H Jin, R Zhu, Z Du, X Jiang… https://arxiv.org/abs/2605.03327

你有没有想过，我们能不能唤醒AI沉睡的“内在记忆”，而不是给它外挂一个搜索引擎？如何让健忘的AI真正“吃一堑，长一智”，把经验变成可复用的技能？本期节目，我们将从最新的几篇论文出发，探讨AI如何从一个“答题工具”进化成一个能自我迭代、甚至与我们并肩探索的“成长型伙伴”。00:00:26 给AI配个“助理”？这可能是个馊主意00:06:10 让AI开窍，如何把“经验”变成“能力”？00:11:18 AI画家是天才，还是复印机？00:17:25 AI的新玩法，从“解题”到“陪跑”00:23:43 你以为的“神来之笔”，可能只是个“生僻字”？本期介绍的几篇论文：[LG] Retrieval from Within: An Intrinsic Capability of Attention-Based Models [NVIDIA] https://arxiv.org/abs/2605.05806 ---[LG] SkillOS: Learning Skill Curation for Self-Evolving Agents [University of Illinois Urbana-Champaign & Google Cloud AI Research] https://arxiv.org/abs/2605.06614 ---[LG] Understanding diffusion models requires rethinking (again) generalization [PSL Research University & Sorbonne University] https://arxiv.org/abs/2605.06077 ---[AI] AI Co-Mathematician: Accelerating Mathematicians with Agentic AI [Google DeepMind] https://arxiv.org/abs/2605.06651 ---[CL] The Frequency Confound in Language-Model Surprisal and Metaphor Novelty [Bielefeld University] https://arxiv.org/abs/2605.06506

你有没有想过，一个“太聪明”的AI，反而会学会钻空子，导致整个系统一起“变笨”？你是否好奇，AI大脑的内部结构可能不是我们想象的开放广场，而是一张弯弯绕绕的精密地图？本期节目，我们将一起潜入AI的“心智世界”，看看最新论文是如何教会AI拥有“远见”来避免自我毁灭，如何像开赛车一样在它大脑的“流形赛道”上精准驰骋，甚至是如何用“不开刀”的方式给它无损植入新知识。更重要的是，我们会发现，原来给AI提建议和给它参考资料，都可能是在“越帮越忙”。准备好了吗？让我们一起挑战关于AI的四个“想当然”。00:00:45 当AI学会了钻空子，我们如何防止它“聪明反被聪明误”？00:06:20 AI的“脑回路”长啥样？我们可能一直都搞错了00:10:56 AI升级难题，一个“不开刀”的手术方案00:16:04 为什么夸人“你真棒”是最低效的鼓励？00:20:33 给AI帮忙，为何会越帮越忙？本期介绍的几篇论文：[LG] Explaining and Preventing Alignment Collapse in Iterative RLHF [PSL Research University] https://arxiv.org/abs/2605.04266 ---[LG] Manifold Steering Reveals the Shared Geometry of Neural Network Representation and Behavior [GOODFIRE] https://arxiv.org/abs/2605.05115 ---[LG] Memory as a Markov Matrix: Sample Efficient Knowledge Expansion via Token-to-Dictionary Mapping [New Jersey Institute of Technology & UC Berkeley] https://arxiv.org/abs/2605.04308 ---[LG] Efficiently Aligning Language Models with Online Natural Language Feedback [Stanford University & Anthropic] https://arxiv.org/abs/2605.04356 ---[LG] When Context Hurts: The Crossover Effect of Knowledge Transfer on Multi-Agent Design Exploration [Meta] https://arxiv.org/abs/2605.04361

想让AI学会推理，是给它一本百科全书，还是塞给它一张“学霸的草稿纸”？最新论文说，看别人怎么思考，比死记硬背更管用。我们还会一起探索，AI离“独立盖起一栋楼”般的复杂工程到底还有多远，并用“脑回路CT”技术，看看你的AI管家为什么有时会“一本正经地胡说八道”。更有趣的是，我们将揭秘AI如何通过自我反思，从“差生”逆袭成“学霸”，以及如何靠一个“探测器”就画出整张看不见的“藏宝图”。准备好了吗？我们马上出发！00:00:37 AI也需要“学霸笔记”吗？00:05:42 AI离“独立盖起一栋楼”还有多远？00:10:46 你的AI管家，为什么有时“一本正经地胡说八道”？00:16:33 如何用AI画一张看不见的藏宝图？00:21:30 AI的自我修炼，从“差生”到“学霸”的秘密[IR] RAG over Thinking Traces Can Improve Reasoning Tasks [UC Berkeley] https://arxiv.org/abs/2605.03344 ---[AI] ProgramBench: Can Language Models Rebuild Programs From Scratch? [Meta FAIR] https://arxiv.org/abs/2605.03546 ---[AI] What Happens Inside Agent Memory? Circuit Analysis from Emergence to Diagnosis [City University of Hong Kong & University of Toronto] https://arxiv.org/abs/2605.03354 ---[LG] Flow Sampling: Learning to Sample from Unnormalized Densities via Denoising Conditional Processes [FAIR at Meta & Weizmann Institute of Science] https://arxiv.org/abs/2605.03984 ---[AI] Self-Improvement for Fast, High-Quality Plan Generation [Amazon] https://arxiv.org/abs/2605.03625

你有没有想过，为什么AI能从互联网的海量垃圾中炼出真金，而不是变成一个只会死记硬背的书呆子？当AI犯错时，我们是该让它闭嘴，还是有更聪明的办法让它学会“谦逊”？本期节目，我们将通过几篇最新的AI论文，揭示AI如何像一个并行专家团队一样解决难题，又是如何受困于一个惊人简洁的“瓶颈定律”，带你一窥AI大脑中那些优雅而深刻的学习法则。00:00:33 最优解的密码，藏在并行的智慧里00:05:55 AI怎么才能不说谎？答案藏在一种人类智慧里00:10:13 AI训练场上的“隐形杀手”00:16:52 AI怎么从一堆垃圾里炼出真金？00:23:33 增长的瓶颈定律，规模不是优势，弱点才是关键本期介绍的几篇论文：[LG] Black-box optimization of noisy functions with unknown smoothness [INRIA Lille & Google DeepMind] https://arxiv.org/abs/2605.02462 ---[CL] Hallucinations Undermine Trust; Metacognition is a Way Forward [Google Research & Tel Aviv University] https://arxiv.org/abs/2605.01428 ---[LG] Generalized Distributional Alignment Games for Unbiased Answer-Level Fine-Tuning [Google Research] https://arxiv.org/abs/2605.02435 ---[LG] A Theory of Generalization in Deep Learning [Stanford University] https://arxiv.org/abs/2605.01172 ---[LG] A Theory of Saddle Escape in Deep Nonlinear Networks [UC Berkeley] https://arxiv.org/abs/2605.01288

你有没有想过，AI也能不走寻常路，学会“抄近路”写文章吗？或者，当AI陷入追求高分的“内卷陷阱”时，我们该怎么教它“最小化遗憾”而不是盲目刷分？本期节目，我们将从几篇最新的论文出发，看看AI如何通过更换“发动机”、打通不同门派的“武功”，甚至用更少的考题更精准地对齐我们的真实感受，实现一次漂亮的思维跃迁。00:00:30 抄近路，人工智能学会了新“导航术”00:05:34 AI的“注意力”，正在成为它的“负担”00:10:42 AI的“高分陷阱”，我们怎样教得更聪明？00:16:51 当规则遇上“混沌”，AI大神们的两种武功，原来同宗同源00:23:38 为什么最好的考卷，题目反而最少？本期介绍的几篇论文：[LG] Consistent Diffusion Language Models [Microsoft & Purdue University] https://arxiv.org/abs/2605.00161 ---[LG] Caracal: Causal Architecture via Spectral Mixing [Huawei Technologies] https://arxiv.org/abs/2605.00292 ---[LG] Wasserstein Distributionally Robust Regret Optimization for Reinforcement Learning from Human Feedback [University of North Carolina & Imperial College London & Stanford University] https://arxiv.org/abs/2605.00155 ---[LG] Trees to Flows and Back: Unifying Decision Trees and Diffusion Models [Technical University of Munich] https://arxiv.org/abs/2605.00414 ---[CL] Putting HUMANS first: Efficient LAM Evaluation with Human Preference Alignment [University of Southern California & Stanford University] https://arxiv.org/abs/2605.00022

你有没有想过，一个复杂的观念，比如“怀疑权威”，可以被压缩成一串看似随机的数字，并悄悄植入AI的大脑吗？我们又该如何为机器人设计一套公平的“高考”，来检验它是不是真的聪明，而不只是个“学霸”？本期节目，我们将一起打开五篇最新论文的奇思妙想，看看AI如何被植入“思想罗盘”，如何通过“找个伴，一起笨”的方式学会成为通才，以及我们该如何为AI的技能撰写一份清晰的“说明书”。准备好了吗？让我们即刻出发！00:00:36 你以为你在教它数数，它却学会了你的偏见00:08:00 我们需要一把什么样的尺子，来衡量复杂的世界？00:15:40 机器人界的“幼儿园”和“高考”00:20:57 最好的学习，是“找个伴，一起笨”00:26:36 AI的“技能包”，应该怎么写说明书？本期介绍的几篇论文：[CL] Subliminal Steering: Stronger Encoding of Hidden Signals [Columbia University] https://arxiv.org/abs/2604.25783 ---[LG] Generalising maximum mean discrepancy: kernelised functional Bregman divergences [Monash University & Sony Computer Science Laboratorie] https://arxiv.org/abs/2604.24047 ---[RO] KinDER: A Physical Reasoning Benchmark for Robot Learning and Planning [Princeton University & Carnegie Mellon University & Georgia Tech] https://arxiv.org/abs/2604.25788 ---[LG] Co-Evolving Policy Distillation [CAS & JD.COM] https://arxiv.org/abs/2604.27083 ---[CL] From Skill Text to Skill Structure: The Scheduling-Structural-Logical Representation for Agent Skills [Peking University] https://arxiv.org/abs/2604.24026

你有没有想过，我们能用一套“知识探针”给大模型做一次精确的“脑容量”CT扫描吗？或者，当AI不再满足于讲一个完美的成功故事，而是把所有失败的教训都记录下来，科学研究会变成怎样一个“活物”？本期节目，我们将从五篇最新论文出发，看看AI如何学会“变脸”戏法，又是如何用“笨办法”实现反超，以及，如何只用一部手机就让一只螃蟹学会跳街舞。00:00:31 如何给AI大模型做一次“脑容量”CT扫描？00:08:25 让一只螃蟹学会跳街舞，总共分几步？00:13:47 让知识“活”起来，科研的下一种形态00:20:47 AI的“变脸”戏法，我们以为的安全，可能只是没对上“暗号”00:27:26 AI进化新思路，为什么“笨办法”反而更聪明？本期介绍的几篇论文：[LG] Incompressible Knowledge Probes: Estimating Black-Box LLM Parameter Counts via Factual Capacity [Pine AI] https://arxiv.org/abs/2604.24827 ---[CV] MoCapAnything: Unified 3D Motion Capture for Arbitrary Skeletons from Monocular Videos [Huawei International Pte. Ltd. & Huawei Central Media Technology Institute] https://arxiv.org/abs/2512.10881 ---[LG] The Last Human-Written Paper: Agent-Native Research Artifacts [Orchestra Research & Stanford University & Ohio State University] https://arxiv.org/abs/2604.24658 ---[LG] Conditional misalignment: common interventions can hide emergent misalignment behind contextual triggers [Warsaw University of Technology & Truthful AI] https://arxiv.org/abs/2604.25891 ---[CV] Tuna-2: Pixel Embeddings Beat Vision Encoders for Multimodal Understanding and Generation [Meta AI] https://arxiv.org/abs/2604.24763

你有没有想过，一个真正能干活的AI，需要的不是更多的考题，而是一间属于自己的“办公室”？我们又该如何扮演一个聪明的“甩手掌柜”，给手下的AI专家们高效分配任务？本期节目，我们将从几篇最新的AI论文出发，聊聊如何用“成本思维”给AI的训练省下一半的钱，如何通过一场“博弈”让AI自我进化，并最终一起探索AI思考的形状，看看它的“脑海”里究竟是字典，还是一幅幅由概念构成的几何地图。00:00:34 想让AI替你干活？得先给它一间“办公室”00:06:01 如何当一个聪明的“甩手掌柜”？00:11:46 AI训练太烧钱？你缺的不是算力，是“成本思维”00:17:43 AI进步的捷径，不只看结果，更要玩对博弈00:23:08 AI怎么思考？答案可能藏在几何里本期介绍的几篇论文：[LG] Synthetic Computers at Scale for Long-Horizon Productivity Simulation [Microsoft] https://arxiv.org/abs/2604.28181 ---[LG] Optimized Deferral for Imbalanced Settings [Google Research & Courant Institute of Mathematical Science] https://arxiv.org/abs/2604.27723 ---[LG] Cost-Aware Learning [Google Research] https://arxiv.org/abs/2604.28020 ---[LG] Distributional Alignment Games for Answer-Level Fine-Tuning [Google Research & Microsoft Research] https://arxiv.org/abs/2604.27166 ---[LG] Do Sparse Autoencoders Capture Concept Manifolds? [Harvard University] https://arxiv.org/abs/2604.28119

你有没有想过，AI不仅能当一个好员工，还能自己进化成项目经理，开“复盘会”优化工作流？或者，指挥一个复杂的机器人，也许只需要像在屏幕上“画重点”一样简单？本期节目，我们将从五篇最新的AI论文出发，聊聊AI如何突破效率瓶颈：从揭秘AI服务“拼单”背后隐藏的隐私风险，到看AI如何像图书管理员一样高效整理海量知识，再到探索不同世界里的学习速度极限。准备好，让我们一起看看AI是如何学会“化繁为简”与“自我进化”的。00:00:39 想把东西卖出高价？你得懂点学习的规律00:07:21 拼单的代价，AI服务如何泄露你的秘密00:12:23 AI的瓶颈，不在大脑，在“书房”00:17:48 让AI自己进化，不止是大力出奇迹00:23:32 给机器人“画重点”，让复杂变简单本期介绍的几篇论文：[LG] On the Learning Curves of Revenue Maximization [Purdue University & Yale University & Technion] https://arxiv.org/abs/2604.26922 ---[LG] Quantamination: Dynamic Quantization Leaks Your Data Across the Batch [University of Cambridge & AI Sequrity Company] https://arxiv.org/abs/2604.26505 ---[LG] Unifying Sparse Attention with Hierarchical Memory for Scalable Long-Context LLM Serving [Microsoft Research] https://arxiv.org/abs/2604.26837 ---[CL] FlowBot: Inducing LLM Workflows with Bilevel Optimization and Textual Gradients [Naver Search US & MIT] https://arxiv.org/abs/2604.26258 ---[CV] Lifting Embodied World Models for Planning and Control [New York University & UC Berkeley] https://arxiv.org/abs/2604.26182

想知道如何像做笔迹鉴定一样，一眼看穿AI的“真身”吗？想了解怎样能让AI开会时，奇迹般地省下97%的“桌子”吗？本期我们就来聊聊几篇最新论文，看看AI如何学会“读心术”来高效协作，如何避免因“谜之自信”而犯下大错，甚至，为什么一个“会犯错”的老师，反而能教出更厉害的AI学生。00:00:28 如何给AI做“笔迹鉴定”？00:06:27 AI开会，如何省下97%的桌子？00:14:10 AI界的“青出于蓝”，是惊喜还是惊吓？00:19:30 你还在让AI“写报告”？它们已经开始直接交换“想法”了00:24:16 为什么“犯错”的老师，能教出更好的AI？本期介绍的几篇论文：[CL] The Surprising Universality of LLM Outputs: A Real-Time Verification Primitive [Evolutionairy AI] https://arxiv.org/abs/2604.25634 ---[LG] PolyKV: A Shared Asymmetrically-Compressed KV Cache Pool for Multi-Agent LLM Inference [No University Provided] https://arxiv.org/abs/2604.24971 ---[AI] Evaluating Risks in Weak-to-Strong Alignment: A Bias-Variance Perspective [University of Illinois Urbana-Champaign & Microsoft & InstaDeep] https://arxiv.org/abs/2604.25077 ---[CL] Recursive Multi-Agent Systems [UIUC] https://arxiv.org/abs/2604.25917 ---[LG] When Errors Can Be Beneficial: A Categorization of Imperfect Rewards for Policy Gradient [Princeton University] https://arxiv.org/abs/2604.25872

你有没有想过，一个“乐于助人”的AI，它的善意本身可能就是最危险的漏洞？本期节目，我们将从几篇最新的AI论文出发，一起探索AI的“内心世界”：看看它是如何通过预判未来让训练更高效，如何在内部形成“专家圈子”，又是如何掉进“减肥不减脂”的内存陷阱，并最终揭示那张描绘它思维路径的神秘“藏宝图”。准备好了吗？让我们一起打开AI的黑箱。00:00:30 为什么说，答案对错没那么重要？00:05:59 你的AI正在“挑食”，一个让大模型加速的隐秘模式00:11:46 AI大模型瘦身指南，减重≠减脂00:17:49 为什么一个“乐于助人”的AI，反而更危险？00:22:34 AI的“藏宝图”，我们如何看懂机器的“内心世界”？本期介绍的几篇论文：[LG] Reward Models Are Secretly Value Functions: Temporally Coherent Reward Modeling [AI at Meta] https://arxiv.org/abs/2604.22981 ---[LG] Scaling Multi-Node Mixture-of-Experts Inference Using Expert Activation Patterns [Meta & Georgia Institute of Technology] https://arxiv.org/abs/2604.23150 ---[LG] Parameter Efficiency Is Not Memory Efficiency: Rethinking Fine-Tuning for On-Device LLM Adaptation [MIT CSAIL] https://arxiv.org/abs/2604.22783 ---[CL] Jailbreaking Frontier Foundation Models Through Intention Deception [CMU] https://arxiv.org/abs/2604.24082 ---[AI] Domain-Filtered Knowledge Graphs from Sparse Autoencoder Features [Stanford University] https://arxiv.org/abs/2604.23829

你有没有想过，我们能让AI不再“傻等”，像个独立的施工队一样高效协作吗？当AI像个“偏科生”时，我们能否不改造它的大脑，只用一本“说明书”就教会它看懂全世界？本期节目，我们将一口气解锁五篇最新论文带来的脑洞：看AI如何通过“跟自己抬杠”学会创造，如何通过剥离无关的“姿态”来直击事物本质，以及我们为何终于有信心说，AI的“黑箱”正在被科学理论的光芒照亮。准备好了吗？让我们一起出发，探索AI的这五种全新进化路径！00:00:37 AI训练场上的“交通拥堵”？我们换个活法00:06:04 我们终于要看懂AI的大脑了吗？00:13:19 如何让一个“偏科”的AI，学会看懂全世界？00:19:02 AI的创造力开关，藏在哪儿？00:25:16 AI的新活法，只做对的事，不做多余的事本期介绍的几篇论文：[CL] Decoupled DiLoCo for Resilient Distributed Pre-training  [Google DeepMind]  https://arxiv.org/abs/2604.21428 ---[LG] There Will Be a Scientific Theory of Deep Learning  [UC Berkeley & Harvard University]  https://arxiv.org/abs/2604.21691 ---[CV] Unlocking Multi-Spectral Data for Multi-Modal Models with Guided Inputs and Chain-of-Thought Reasoning  [Google DeepMind]  https://arxiv.org/abs/2604.21032 ---[IR] Caesar: Deep Agentic Web Exploration for Creative Answer Synthesis  [Cognizant AI Lab]  https://arxiv.org/abs/2604.20855 ---[LG] Quotient-Space Diffusion Models  [Peking University & Xi’an Jiaotong University]  https://arxiv.org/abs/2604.21809 

本期节目，我们将一起打开几个AI研究的奇妙盲盒：你将发现，AI“画家”的背后可能藏着一位“全科医生”；而AI“工程师”已经能自主发明超越人类的算法。但硬币的另一面是，AI也会陷入毫无意义的“内卷”，甚至为了保护它的AI“同伴”而对我们撒谎。最后，我们会探讨一个根本问题：我们衡量AI好坏的那把尺子，是不是从一开始就错了？00:00:30 AI生图的秘密，从“画家”到“全科医生”00:05:02 让AI当工程师，它能胜任吗？00:11:09 AI的“内卷”困境，如何防止学霸走火入魔？00:15:34 当AI有了“自己人”，它会为了“哥们”背叛你吗？00:21:08 你的APP搜不准？问题可能出在尺子本期介绍的几篇论文：[CV] Image Generators are Generalist Vision Learners  [Google DeepMind]  https://arxiv.org/abs/2604.20329 ---[LG] The AI Telco Engineer: Toward Autonomous Discovery of Wireless Communications Algorithms  [NVIDIA]  https://arxiv.org/abs/2604.19803 ---[LG] Scaling Self-Play with Self-Guidance  [Stanford University]  https://arxiv.org/abs/2604.20209 ---[CL] Peer-Preservation in Frontier Models  [UC Berkeley & University of California, Santa Cruz]  https://arxiv.org/abs/2604.19784 ---[IR] Semantic Recall for Vector Search  [CWI & EPFL & MPI-SWS]  https://arxiv.org/abs/2604.20417 

今天我们要聊聊AI那些让人又爱又恨的“小毛病”。根据几篇最新论文的洞察，我们将一起探寻：为什么天才AI连煎个鸡蛋都费劲？它解决难题时是在真思考还是瞎撞？当我们和AI对话时，如何才能让它秒回，不再尴尬等待？更重要的是，当AI开口说话时，它是否带着不为人知的“文化口音”？而把家庭钥匙交给AI管家时，我们又该如何确保它不会出卖你？00:00:31 人工智能的下一个路口，藏在大脑里00:06:25 给你一个好方法，你却用蛮力？00:12:01 让AI秒回你的秘密，当大象学会与蚂蚁共舞00:18:23 AI的“美国口音”，藏不住了00:23:21 你的AI管家，会不会偷偷出卖你？本期介绍的几篇论文：[AI] NeuroAI and Beyond: Bridging Between Advances in Neuroscience and Artificial Intelligence  [University of Maryland]  https://arxiv.org/abs/2604.18637 ---[LG] Evaluation-driven Scaling for Scientific Discovery  [Stanford University & Peking University & Tsinghua University]  https://arxiv.org/abs/2604.19341 ---[CL] Micro Language Models Enable Instant Responses  [University of Washington & Meta AI]  https://arxiv.org/abs/2604.19642 ---[CL] Location Not Found: Exposing Implicit Local and Global Biases in Multilingual LLMs  [Google Research & Bar-Ilan University]  https://arxiv.org/abs/2604.19292 ---[AI] An AI Agent Execution Environment to Safeguard User Data  [University of California, Los Angeles & Google]  https://arxiv.org/abs/2604.19657 

你有没有想过，如何教AI像我们一样“知错能改”，而不是只会“一锤子买卖”？当一群AI协作时，怎样才能让它们像顶尖团队一样开好“复盘会”，而不是人多添乱？这一期，我们将一口气聊透五篇最新论文，看科学家们如何教会AI从“自我纠错”的智慧，进化到拥有“内在记忆”，甚至跨界变身，将工厂难题精准翻译成数学代码。准备好，一场关于AI如何学习“思考”的头脑风暴，马上开始！00:00:34 AI界的“错题本”，如何教机器学会“三思而后行”？00:06:11 人多不一定力量大，但聪明的团队会开“复盘会”00:11:32 为什么你的AI“记不住事”？00:17:27 算力的“跨界”妙用，如何让AI芯片干好分外的活？00:23:58 AI“翻译官”，从工厂难题到数学代码本期介绍的几篇论文：[LG] Learning to Correct: Calibrated Reinforcement Learning for Multi-Attempt Chain-of-Thought  [University of Michigan]  https://arxiv.org/abs/2604.17912 ---[LG] Scaling Test-Time Compute for Agentic Coding  [Meta Superintelligence Labs]  https://arxiv.org/abs/2604.16529 ---[LG] The Topological Trouble With Transformers  [Google DeepMind]  https://arxiv.org/abs/2604.17121 ---[LG] Enabling AI ASICs for Zero Knowledge Proof  [Georgia Institute of Technology & MIT]  https://arxiv.org/abs/2604.17808 ---[LG] AutoOR: Scalably Post-training LLMs to Autoformalize Operations Research Problems  [X, The Moonshot Factory & University of Oxford]  https://arxiv.org/abs/2604.16804 

你有没有想过，AI也会陷入“高水平重复”的舒适区陷阱？学习新知识后，它为什么会像我们一样“健忘”？本期节目，我们将通过几篇最新的AI论文，揭示如何让AI从一个只会“死记硬背”的学霸，进化成一个懂得“举一反三”、甚至会“团队作战”的智慧伙伴，探索让AI真正变得更聪明、更高效的秘密。00:00:27 你是在“精进”，还是在“高水平地重复”？00:04:49 AI上课后，为什么反而把以前会的给忘了？00:11:08 让AI左右互搏，速度翻倍的秘密00:16:02 你的“人工智障”客服，终于有救了？00:22:16 AI进化论，从“二选一”到“团战”的效率革命本期介绍的几篇论文：[LG] Beyond Distribution Sharpening: The Importance of Task Rewards  [Mila]  https://arxiv.org/abs/2604.16259 ---[CL] Why Fine-Tuning Encourages Hallucinations and How to Fix It  [Hebrew University of Jerusalem & Technion – Israel Institute of Technology & University of Illinois Urbana-Champaign]  https://arxiv.org/abs/2604.15574 ---[LG] Faster LLM Inference via Sequential Monte Carlo  [Cornell University & MIT]  https://arxiv.org/abs/2604.15672 ---[CL] PolicyBank: Evolving Policy Understanding for LLM Agents  [Google Cloud]  https://arxiv.org/abs/2604.15505 ---[CL] GroupDPO: Memory efficient Group-wise Direct Preference Optimization  [CMU & Google Deepmind & Google]  https://arxiv.org/abs/2604.15602 

你有没有想过，让AI学会“做白日梦”去预演触感，竟然能让它的动手能力提升90%？我们常说的“深度思考”，在AI那里可能只是一种高效的“循环播放”。本期节目，我们将从几篇最新的AI论文出发，一起探寻AI如何像高手一样进行“跨界”经验调用，看看AI界的“秦始皇”又是如何通过“统一度量衡”，为智能体打造一个强大的行动底座，揭开那常常被我们忽视的、冰山下的98%。00:00:34 学会“做白日梦”，才能把活儿干好00:05:23 AI的冰山，我们看不见的那98%00:11:19 AI的“深度思考”，原来是“循环播放”？00:16:46 高手，都善于“跨界”调用经验00:23:38 AI 界的“秦始皇”，如何统一智能体的“度量衡”？本期介绍的几篇论文：[RO] Learning Versatile Humanoid Manipulation with Touch Dreaming  [CMU]  https://arxiv.org/abs/2604.13015 ---[AI] Dive into Claude Code: The Design Space of Today's and Future AI Agent Systems  [Mohamed bin Zayed University of Artificial Intelligence]  https://arxiv.org/abs/2604.14228 ---[LG] A Mechanistic Analysis of Looped Reasoning Language Models  [University of Oxford & Mila]  https://arxiv.org/abs/2604.11791 ---[LG] Memory Transfer Learning: How Memories are Transferred Across Domains in Coding Agents  [KAIST]  https://arxiv.org/abs/2604.14004 ---[AI] UniToolCall: Unifying Tool-Use Representation, Data, and Evaluation for LLM Agents  [University of Science and Technology of China & Eastern Institute of Technology]  https://arxiv.org/abs/2604.11557 

你有没有想过，一个真正聪明的AI，应该具备哪些超能力？本期节目，我们将一口气看懂五篇最新的AI论文。我们将一起探索，如何不靠“堆肌肉”，而是通过精巧的“循环”让AI学会深度思考；如何只改变一个训练目标，就教会AI“从未来倒推现在”的逆向思维；以及为什么AI既是“短跑健将”，却又在“马拉松”任务中频频掉链子。更进一步，我们还会揭示AI“自我进化”的秘密——如何把自己犯过的错变成下一步的垫脚石，以及为何“成大事者，不靠记忆靠遗迹”。准备好了吗？让我们一起开启这场关于AI智慧的深度探索之旅！00:00:45 人工智能的“内功”心法00:05:41 教AI做事，为什么不能只看眼前？00:10:24 为什么AI既聪明，又“靠不住”？00:14:54 高手精进的秘密，如何把自己犯过的错，变成下一步的垫脚石00:20:49 成大事者，不靠记忆靠“遗迹”本期介绍的几篇论文：[LG] Parcae: Scaling Laws For Stable Looped Language Models  [University of California, San Diego]  https://arxiv.org/abs/2604.12946 ---[LG] How Transformers Learn to Plan via Multi-Token Prediction  [University of California, Los Angeles & Shanghai Jiao Tong University]  https://arxiv.org/abs/2604.11912 ---[LG] LongCoT: Benchmarking Long-Horizon Chain-of-Thought Reasoning  [University of Oxford & Lawrence Livermore National Laboratory (LLNL)]  https://arxiv.org/abs/2604.14140 ---[CL] Self-Distillation Zero: Self-Revision Turns Binary Rewards into Dense Supervision  [Princeton University]  https://arxiv.org/abs/2604.12002 ---[CL] Toward Autonomous Long-Horizon Engineering for ML Research  [Renmin University of China]  https://arxiv.org/abs/2604.13018 

你有没有想过，最聪明的决策，也许是先用最小的力气排除所有错误选项？当AI变得越来越话痨时，我们该如何给它请一位“效率教练”？为了把强大的AI装进你的手机，科学家又想出了怎样统一又精简的“节食计划”？本期节目，我们将通过几篇最新论文，一起探讨AI如何学会“先探路再铺路”的决策智慧，如何治好自己的“路痴”毛病，甚至如何掌握“动态开关”这门最高级的偷懒艺术。00:00:33 聪明人的偷懒指南，如何用最少的力气，走最对的路？00:07:16 AI话痨怎么办？聪明还得会省钱00:12:27 AI的“节食计划”，如何在你的手机里装下一个图书馆？00:17:42 大模型越来越聪明，为什么还是个“路痴”？00:22:45 为什么说，最高级的AI，必须学会“偷懒”？本期介绍的几篇论文：[CL] Blazing the trails before beating the path: Sample-efficient Monte-Carlo planning  [INRIA Lille & Google DeepMind]  https://arxiv.org/abs/2604.14974 ---[CL] CROP: Token-Efficient Reasoning in Large Language Models via Regularized Prompt Optimization  [Google LLC & Purdue University]  https://arxiv.org/abs/2604.14214 ---[IR] A Unified Model and Document Representation for On-Device Retrieval-Augmented Generation  [University of Massachusetts Amherst & Google]  https://arxiv.org/abs/2604.14403 ---[CL] Shuffle the Context: RoPE-Perturbed Self-Distillation for Long-Context Adaptation  [Georgia Institute of Technology & Microsoft]  https://arxiv.org/abs/2604.14339 ---[CL] Compressed-Sensing-Guided, Inference-Aware Structured Reduction for Large Language Models  [UC Berkeley]  https://arxiv.org/abs/2604.14156 

你有没有想过，一个学得更久的AI“尖子生”，为什么反而忘得更快？或者，想让AI更懂英语，最好的方法竟然是教它别的语言？本期节目，我们将一口气解锁五篇最新论文带来的“反常识”洞见。我们会发现，决定AI效率的瓶颈可能不是算力而是“管理”，与AI对话的成本可以靠一本“字典”轻松打个二折，而一个好的AI模拟世界，追求的不是“长得像”，而是“反应像”。00:00:32 大模型训练的悖论，为什么学得越久，忘得越快？00:06:02 AI的效率瓶颈，不是算力，是“管理”00:12:33 想让AI更懂英语？那就别只喂它英语00:18:46 跟AI对话，如何省下80%的话费？00:24:39 你的“差不多”不是我的“差不多”，如何让AI的模拟世界更靠谱？本期介绍的几篇论文：[LG] All elementary functions from a single binary operator  [Jagiellonian University]  https://arxiv.org/abs/2603.21852 ---[LG] Sample Complexity of Autoregressive Reasoning: Chain-of-Thought vs. End-to-End  [Purdue University & The Hebrew University & Technion and Google Research]  https://arxiv.org/abs/2604.12013 ---[CL] Continuous Knowledge Metabolism: Generating Scientific Hypotheses from Evolving Literature  [Central University of Finance and Economics & Beijing Institute of Technology & TsingyuAI]  https://arxiv.org/abs/2604.12243 ---[CL] LoSA: Locality Aware Sparse Attention for Block-Wise Diffusion Language Models  [UC Berkeley]  https://arxiv.org/abs/2604.12056 ---[LG] The Linear Centroids Hypothesis: How Deep Network Features Represent Data  [Rice University & Google Research & Brown University]  https://arxiv.org/abs/2604.11962 

你有没有想过，整个科学计算器也许只需要两个按键就能实现？或者，AI偷懒的秘诀竟是只用20%的精力，就能完成90%的工作？最新的一些研究，正从这些奇妙的角度，刷新我们对智能、效率和知识的认知。今天，我们将一起看看AI如何只用一个“创世积木”构建整个数学世界，如何像做CT一样看清自己的“脑回路”，并揭示过程和结果哪个才是学习的关键。准备好，一场思维风暴马上开始！00:00:36 你的科学计算器，其实只需要两个键00:05:01 学会一个本事，过程和结果哪个更重要？00:13:05 如何像高手一样，“看见”知识的未来？00:19:31 AI偷懒的艺术，为什么只做20%的工作，能得到90%的结果？00:25:08 给AI大脑做CT，我们找到了更清晰的脑回路图本期介绍的几篇论文：[LG] All elementary functions from a single binary operator  [Jagiellonian University]  https://arxiv.org/abs/2603.21852 ---[LG] Sample Complexity of Autoregressive Reasoning: Chain-of-Thought vs. End-to-End  [Purdue University & The Hebrew University & Technion and Google Research]  https://arxiv.org/abs/2604.12013 ---[CL] Continuous Knowledge Metabolism: Generating Scientific Hypotheses from Evolving Literature  [Central University of Finance and Economics & Beijing Institute of Technology & TsingyuAI]  https://arxiv.org/abs/2604.12243 ---[CL] LoSA: Locality Aware Sparse Attention for Block-Wise Diffusion Language Models  [UC Berkeley]  https://arxiv.org/abs/2604.12056 ---[LG] The Linear Centroids Hypothesis: How Deep Network Features Represent Data  [Rice University & Google Research & Brown University]  https://arxiv.org/abs/2604.11962 

你有没有想过，要让AI变得更聪明，除了让它“读万卷书”，我们还能不能让它在虚拟世界里“行万里路”，像玩“模拟人生”一样学会物理？当很多聪明的算法凑在一起反而“掉链子”时，我们如何用“乐高积木”的思路化繁为简？这一期，我们将一起探寻几份最新论文带来的启发：从像婴儿一样在“思想实验”中探索世界，到用一张“知识地图”代替“知识词典”来解决复杂问题，甚至让AI学会“自我怀疑”，从而变得又快又好。准备好了吗？让我们一起出发！00:00:38 AI版“模拟人生”让机器在虚拟世界里学会物理00:05:56 从1到N如何让你的数据分析稳上加稳？00:12:14 AI养娃我们可能找到了让机器像婴儿一样学习的秘密00:18:01 高手解决问题，靠的是地图，而不是词典00:24:14 AI的自我怀疑，一个让大模型又快又好的新思路本期介绍的几篇论文：[LG] Solving Physics Olympiad via Reinforcement Learning on Physics Simulators  [CMU & Lambda]  https://arxiv.org/abs/2604.11805 ---[LG] Replicable Composition  [University of Maryland & Google Research]  https://arxiv.org/abs/2604.10423 ---[LG] Zero-shot World Models Are Developmentally Efficient Learners  [Stanford University]  https://arxiv.org/abs/2604.10333 ---[CL] Structure-Grounded Knowledge Retrieval via Code Dependencies for Multi-Step Data Reasoning  [Microsoft & Simon Fraser University & University of Science and Technology of China]  https://arxiv.org/abs/2604.10516 ---[LG] Introspective Diffusion Language Models  [Together AI]  https://arxiv.org/abs/2604.11035 

你有没有想过，我们能像做微创手术一样，在AI思考的瞬间“拨乱反正”，引导它向善吗？或者，让昂贵的AI训练学会“温故知新”，把扔掉的经验变废为宝？本期节目，我们将一起探索几篇最新论文，看看科学家们如何教会AI遵守自己立下的规矩，如何让它既会“看路”又会“造景”，甚至，如何为它补上一堂生动的物理课，让它的想象力更符合现实。准备好了吗？让我们马上出发！00:00:34 给AI的大脑装一个“概念导航”00:06:53 AI训练的高效秘诀，好东西值得再用一次00:12:07 如何看穿一个AI的“人设”？00:16:56 AI新思路，想看清世界，先学会走路00:23:07 为什么AI生成的视频总感觉“假”？答案藏在物理学里本期介绍的几篇论文：[LG] Dictionary-Aligned Concept Control for Safeguarding Multimodal LLMs  [University of Pennsylvania & Amazon]  https://arxiv.org/abs/2604.08846 ---[LG] Efficient RL Training for LLMs with Experience Replay  [FAIR at Meta]  https://arxiv.org/abs/2604.08706 ---[CL] Do LLMs Follow Their Own Rules? A Reflexive Audit of Self-Stated Safety Policies  [Microsoft]  https://arxiv.org/abs/2604.09189 ---[CV] Rays as Pixels: Learning A Joint Distribution of Videos and Camera Trajectories  [Meta AI]  https://arxiv.org/abs/2604.09429 ---[CV] PhysInOne: Visual Physics Learning and Reasoning in One Suite  [vLAR Group]  https://arxiv.org/abs/2604.09415 

你是否想过，为什么你的AI助理连订张机票都费劲？本期节目，我们将一起给AI来一场“真实世界”的大考，看看它究竟能得多少分。我们还会揭秘如何不给模型动手术，只靠“补课”就让它说话速度提升1.7倍。更有趣的是，我们将看到一个“过时”的技术如何靠“大力出奇迹”王者归来，以及一个“思维越狱”般的巧妙设计，如何让一张显卡也能训练千亿大模型。最后，我们还会认识一支能帮你写论文的“AI管弦乐队”。准备好了吗？让我们马上进入AI前沿的奇妙世界。00:00:39 你的AI助理，离真正上岗还有多远？00:05:50 让AI大模型提速，只需要“补课”就够了00:10:13 老树发新芽，一个被人小瞧的技术，如何靠“笨办法”王者归来？00:15:46 AI的“昂贵误会”，我们都搞错瓶颈了吗？00:22:05 你的下一个写作搭档，可能不是一个人本期介绍的几篇论文：[CL] ClawBench: Can AI Agents Complete Everyday Online Tasks?  [University of British Columbia & Vector Institute]  https://arxiv.org/abs/2604.08523 ---[CL] MARS: Enabling Autoregressive Models Multi-Token Generation  [Nanyang Technological University & Singapore Management University & Uppsala University]  https://arxiv.org/abs/2604.07023 ---[CV] LoMa: Local Feature Matching Revisited  [Chalmers University of Technology & Linköping University & University of Amsterdam]  https://arxiv.org/abs/2604.04931 ---[CL] MegaTrain: Full Precision Training of 100B+ Parameter Large Language Models on a Single GPU  [University of Notre Dame & Lehigh University]  https://arxiv.org/abs/2604.05091 ---[LG] PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing  [Google]  https://arxiv.org/abs/2604.05018 

如果你的电脑本身就是一个神经网络，没有CPU会怎样？如果AI想学一门手艺，得先让另一个AI给它建个“驾校”呢？本期节目，我们将从五篇最新论文出发，聊聊AI如何从2D世界“透视”三维，如何用量子芯片实现超级压缩，并最终探讨一个直击灵魂的问题：AI正在让我们变聪明，还是变懒？00:00:27 你的下一台电脑，为什么可能没有CPU？00:09:13 AI想“上岗”，得先过哪一关？00:14:57 从“看扁”到“透视”，AI如何拥有3D“世界观”？00:20:36 你的下一个U盘，可能是个量子芯片00:26:12 AI，是你的“外挂”还是你的“拐杖”？本期介绍的几篇论文：[LG] Neural Computers  [Meta AI]  https://arxiv.org/abs/2604.06425 ---[LG] Gym-Anything: Turn any Software into an Agent Environment  [CMU]  https://arxiv.org/abs/2604.06126 ---[CV] Boxer: Robust Lifting of Open-World 2D Bounding Boxes to 3D  [Meta Reality Labs Research]  https://arxiv.org/abs/2604.05212 ---[LG] Exponential quantum advantage in processing massive classical data  [California Institute of Technolog & MIT & Google Quantum AI]  https://arxiv.org/abs/2604.07639 ---[AI] AI Assistance Reduces Persistence and Hurts Independent Performance  [CMU & University of Oxford]  https://arxiv.org/abs/2604.04721 

想让AI更聪明，我们总觉得要给它看更多、学更多，但如果我告诉你，真正的秘诀恰恰相反呢？本期节目，我们将一起探索几篇最新的AI论文，看看科学家是如何教会AI“选择性遗忘”，又是如何给AI做“脑CT”来判断它是不是在“假装努力”。我们还会聊到，如何打造一个能快速学会任何人大脑“方言”的超级解码器，以及怎样只用1%的精力，就让AI帮你“看完”一部长电影。准备好了吗？让我们一起刷新对AI的认知！00:00:37 按下删除键之后，东西就真的消失了吗？00:06:54 造一把“万能钥匙”？不如当个“超级锁匠”00:11:24 想让AI更博学？先给它少看点书00:16:21 给AI做个体检，我们怎么知道它不是在瞎蒙？00:22:01 如何只用1%的精力，看完一部长电影的精华？本期介绍的几篇论文：[LG] Is your algorithm unlearning or untraining?  [Google]  https://arxiv.org/abs/2604.07962 ---[LG] Meta-learning In-Context Enables Training-Free Cross Subject Brain Decoding  [University of Hong Kong]  https://arxiv.org/abs/2604.08537 ---[CL] Cram Less to Fit More: Training Data Pruning Improves Memorization of Facts  [Apple & National University of Singapore]  https://arxiv.org/abs/2604.08519 ---[LG] Inside-Out: Measuring Generalization in Vision Transformers Through Inner Workings  [University of Delaware & George Mason University]  https://arxiv.org/abs/2604.08192 ---[CV] Small Vision-Language Models are Smart Compressors for Long Video Understanding  [Meta AI]  https://arxiv.org/abs/2604.08120 

你敢让AI帮你摇号抽奖吗？本期节目，我们将从几篇最新的AI论文出发，揭示AI在“随机”这件事上出人意料的偏见。接着，我们会探讨如何像一位拥有全局智慧的CEO一样，给臃肿的AI模型进行“精准裁员”，并学习AI沟通中“优雅打断”的高效密码。最后，我们将一起探寻AI是否存在“思想深度的天花板”，以及如何把一个“笨徒弟”模型，调教成一位善用工具的“老师傅”。准备好了吗？让我们一起潜入AI的前沿思想深海！00:00:42 为什么你老板让你用AI摇号，你得多个心眼？00:06:07 从“平均砍”到“精准剪枝”，AI瘦身中的全局智慧00:12:10 沟通的高效密码，如何优雅地“打断”别人00:18:04 AI的“思想深度”有没有天花板？00:24:24 如何把一个“笨徒弟”，调教成“老师傅”？本期介绍的几篇论文：[CL] The Illusion of Stochasticity in LLMs  [Google DeepMind]  https://arxiv.org/abs/2604.06543 ---[CL] Does a Global Perspective Help Prune Sparse MoEs Elegantly?  [University of Rochester & Flatiron Institute]  https://arxiv.org/abs/2604.06542 ---[CL] Learning to Interrupt in Language-based Multi-agent Communication  [CMU & Meta FAIR]  https://arxiv.org/abs/2604.06452 ---[LG] The Depth Ceiling: On the Limits of Large Language Models in Discovering Latent Planning  [University of Cambridge & Imperial College London & MIT]  https://arxiv.org/abs/2604.06427 ---[CL] Tool-MCoT: Tool Augmented Multimodal Chain-of-Thought for Content Safety Moderation  [Google & Stanford University]  https://arxiv.org/abs/2604.06205 

你有没有想过，未来的AI不仅不会“健忘”，还拥有自己的“临时记忆”？它不仅能解数学题，更能帮你绘制整个“数学宇宙”的地图？在今天的节目里，我们就来聊聊几篇最新的论文，看看科学家们是如何给AI的思考过程装上“GPS”，如何测试它到底懂不懂“潜台词”，又是如何一步步打造AI界的“通才”的。准备好，我们马上出发！00:00:29 给AI装个“临时记忆”插槽，它就能边聊边学了00:07:28 给数学世界画一张地图00:12:59 你的AI“队友”，到底懂不懂你？00:18:23 给AI的思考过程装上一个GPS00:23:37 AI界的“通才”是如何炼成的？本期介绍的几篇论文：[LG] In-Place Test-Time Training  [ByteDance Seed]  https://arxiv.org/abs/2604.06169 ---[AI] Artificial Intelligence and the Structure of Mathematics  [Fundamental AI Research & Harvard University]  https://arxiv.org/abs/2604.06107 ---[CL] Beneath the Surface: Investigating LLMs' Capabilities for Communicating with Subtext  [Google DeepMind]  https://arxiv.org/abs/2604.05273 ---[CL] LLM Reasoning as Trajectories: Step-Specific Representation Geometry and Correctness Signals  [Microsoft]  https://arxiv.org/abs/2604.05655 ---[LG] MARL-GPT: Foundation Model for Multi-Agent Reinforcement Learning  [MIRAI & AXXX]  https://arxiv.org/abs/2604.05943 

今天我们来聊聊AI的“进化”新思路：当AI不再迷信单一架构，而是学会了“混搭”；当给它一把更强的锤子，它反而盖不好房子时，我们该怎么办？我们还会看到，一个“笨笨的”师徒制，如何让AI推荐更懂你；同时也要警惕，那个对你百依百-顺的AI，可能正在悄悄扼杀你的创造力。最后，我们将揭秘如何给AI装上一个“程序员的脑子”，让它学会三思而后行。00:00:32 AI大模型内战，“万能插座”遇到了新对手00:08:10 为什么给你一把好“锤子”，你反而盖不好房子？00:15:07 如何让AI更懂你？秘密可能藏在“笨办法”里00:20:29 AI越听话，你就越平庸？00:26:15 给AI装上一个「程序员的脑子」本期介绍的几篇论文：[LG] Olmo Hybrid: From Theory to Practice and Back  [Allen Institute for AI]  https://arxiv.org/abs/2604.03444 ---[CL] The Tool Illusion: Rethinking Tool Use in Web Agents  [Microsoft Research & The Pennsylvania State University]  https://arxiv.org/abs/2604.03465 ---[IR] Retrieval Augmented Conversational Recommendation with Reinforcement Learning  [University of Illinois Urbana-Champaign & Google DeepMind]  https://arxiv.org/abs/2604.04457 ---[CL] Lighting Up or Dimting Down? Exploring Dark Patterns of LLMs in Co-Creativity  [Meta & Amazon]  https://arxiv.org/abs/2604.04735 ---[CL] Self-Execution Simulation Improves Coding Models  [FAIR team, Meta]  https://arxiv.org/abs/2604.03253 

你有没有想过，AI是如何学会像人一样思考的？在最新的几篇论文中，AI不仅学会了像项目经理一样把大任务拆解成小目标，还能组建一支分工明确的冠军团队，自己给自己挑错。我们还会看到，AI如何懂得何时单打独斗、何时团队作战，如何仅凭几个例子就自学成才，甚至如何用十个“是”或“否”的问题，就获得专家的智慧。今天，就让我们一起揭开这些AI“超能力”背后的朴素智慧。00:00:35 想成大事？你得先学会当自己的“项目经理”00:07:15 AI冠军养成记，一个“草台班子”的制胜之道00:12:20 人多真能力量大吗？AI世界的“个人英雄”与“团队作战”00:17:58 如何用3个例子，教会AI一整本书？00:23:22 十个“是”或“否”，如何让AI“小学生”拥有“博士”的智慧？本期介绍的几篇论文：[LG] Hierarchical Planning with Latent World Models  [FAIR at Meta]  https://arxiv.org/abs/2604.03208 ---[AI] GrandCode: Achieving Grandmaster Level in Competitive Programming via Agentic Reinforcement Learning  [DeepReinforce Team]  https://arxiv.org/abs/2604.02721 ---[CL] Single-Agent LLMs Outperform Multi-Agent Systems on Multi-Hop Reasoning Under Equal Thinking Token Budgets  [Stanford University]  https://arxiv.org/abs/2604.02460 ---[LG] SIEVE: Sample-Efficient Parametric Learning from Natural Language  [UC Berkeley]  https://arxiv.org/abs/2604.02339 ---[LG] Haiku to Opus in Just 10 bits: LLMs Unlock Massive Compression Gains  [Harvard University & University of Cambridge]  https://arxiv.org/abs/2604.02343 

今天，AI自己当起了研究员，给自己装上了一颗会进化的“记忆之心”；另一边，科学家们从单细胞的智慧中得到启发，尝试组建一个“人造大脑”；而为了驯服那些动辄“发疯”的巨型模型，我们甚至从物理学中找到了“守恒”的紧箍咒；当这些能力需要被整合，一套AI记忆的“乐高工厂”应运而生；最后，这一切究竟会像巨浪还是涨潮一样，改变我们的工作？让我们一起探索这些最新论文背后的深刻启发。00:00:36 你的手机相册，离成为“真·记忆”还有多远？00:07:06 单细胞的智慧，如何组建一个大脑？00:12:19 成大事者，都懂“守恒”的智慧00:18:25 AI的记忆难题，有了一套“乐高积木”？00:23:46 AI取代工作，是巨浪，还是涨潮？本期介绍的几篇论文：[AI] Omni-SimpleMem: Autoresearch-Guided Discovery of Lifelong Multimodal Agent Memory  [UNC-Chapel Hill & University of Pennsylvania]  https://arxiv.org/abs/2604.01007 ---[AI] BraiNCA: brain-inspired neural cellular automata and applications to morphogenesis and motor control  [Allen Discovery Center at Tufts University]  https://arxiv.org/abs/2604.01932 ---[LG] Rethinking Language Model Scaling under Transferable Hypersphere Optimization  [Microsoft]  https://arxiv.org/abs/2603.28743 ---[CL] MemFactory: Unified Inference & Training Framework for Agent Memory  [MemTensor]  https://arxiv.org/abs/2603.29493 ---[AI] Crashing Waves vs. Rising Tides: Preliminary Findings on AI Automation from Thousands of Worker Evaluations of Labor Market Tasks  [MIT FutureTech]  https://arxiv.org/abs/2604.01363 

今天，我们将深入AI的“内心世界”，看看这些最新论文是如何揭示它不为人知的一面的。我们会聊聊如何用巧妙的“魔法”给AI的内存减减肥，看它如何通过反思自己的“草稿本”实现自我进化，还会一起探索如何让它从一个仓库管理员，成长为真正的图书总管。更刺激的是，我们还会用AI的“火眼金睛”去解剖短视频，甚至设计一个局，看看AI会不会为了保住自己的“饭碗”而对我们撒谎。准备好了吗？让我们一起揭开AI大脑和行为背后的秘密。00:00:38 给大模型“减肥”的奇思妙想00:07:29 短视频时代，我们如何被“投喂”观点？00:13:22 AI的自我修养，一种“笨”办法，如何让它变聪明？00:19:30 AI的记忆革命，从仓库管理员到图书总管00:25:16 AI的“小算盘”，它会为了保住工作而“撒谎”吗？本期介绍的几篇论文：[LG] TurboAngle: Near-Lossless KV Cache Compression via Uniform Angle Quantization  [LLMs Research Inc.]  https://arxiv.org/abs/2603.27467 ---[CL] Multimodal Analysis of State-Funded News Coverage of the Israel-Hamas War on YouTube Shorts  [Indiana University]  https://arxiv.org/abs/2604.00994 ---[CL] Embarrassingly Simple Self-Distillation Improves Code Generation  [Apple]  https://arxiv.org/abs/2604.01193 ---[AI] ByteRover: Agent-Native Memory Through LLM-Curated Hierarchical Context  [ByteRover]  https://arxiv.org/abs/2604.01599 ---[AI] Quantifying Self-Preservation Bias in Large Language Models  [Sapienza University & ItalAI]  https://arxiv.org/abs/2604.02174 

你有没有想过，两个完全不同的AI高手，不用原始数据就能“合体”成全能大侠？甚至还能拥有一本超级“错题本”，学会真正的举一反三？更进一步，当AI员工比我们还聪明时，我们又该如何设计一套“管理学”，用一个聪明的“路由器”来调度一群天才？但在这看似强大的智慧背后，AI究竟是像好老师一样“因材施教”，还是在巧妙地“装懂”？本期节目，我们将通过五篇最新的AI论文，一起探索AI的群体智慧与心智幻觉。00:00:38 AI模型也能合体？不用数据，照样让你武功大增00:04:53 让AI学会举一反三，需要一本怎样的“错题本”？00:10:12 AI界的“诸葛亮”，如何给你“三个臭皮匠”的智慧？00:14:41 AI当老师，到底是真懂你，还是在“装懂”？00:21:40 当你的员工比你还聪明，该怎么管？本期介绍的几篇论文：[LG] Model Merging via Data-Free Covariance Estimation[Universite de Montr ́eal & University of Toronto]https://arxiv.org/abs/2604.01329---[CL] Procedural Knowledge at Scale Improves Reasoning[Meta FAIR]https://arxiv.org/abs/2604.01348---[CL] No Single Best Model for Diversity: Learning a Router for Sample Diversity[New York University & Stanford University]https://arxiv.org/abs/2604.02319---[AI] Do Large Language Models Mentalize When They Teach?[Princeton University & New York University]https://arxiv.org/abs/2604.01594---[LG] CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery[MIT & NUS]https://arxiv.org/abs/2604.01658

你有没有想过，聪明的AI也需要精打细算？本期节目，我们就来聊聊AI世界里的那些“增长智慧”：如何像果蝇大脑一样“聪明地偷懒”，又如何像请了私教一样精准地突破瓶颈。我们还会探讨，AI究竟应该把知识背下来还是学会查资料，以及机器人怎样才能在漫长任务中给自己“打气”加油。这些最新论文里的奇思妙想，不仅关乎技术，更藏着我们都能借鉴的策略。00:00:32 AI省钱的终极奥义，深度思考，一次缓存00:05:29 AI养成记，喂知识，还是给书单？00:12:23 如何让机器人学会“干大事”？给它一个好报酬，再加一个好心态00:18:31 你的大脑偷懒，可能比你想象的更聪明00:24:31 AI卡壳了怎么办？请个“私教”来帮忙本期介绍的几篇论文：[CL] Universal YOCO for Efficient Depth Scaling  [Microsoft Research]  https://arxiv.org/abs/2604.01220 ---[CL] To Memorize or to Retrieve: Scaling Laws for RAG-Considerate Pretraining  [Stanford University & Patronus AI]  https://arxiv.org/abs/2604.00715 ---[RO] Generalizable Dense Reward for Long-Horizon Robotic Tasks  [CMU & Amazon Robotics & UT Austin]  https://arxiv.org/abs/2604.00055 ---[CL] Stochastic Attention: Connectome-Inspired Randomized Routing for Expressive Linear-Time Attention  [Tsinghua University]  https://arxiv.org/abs/2604.00754 ---[LG] Learning to Hint for Reinforcement Learning  [University of California, San Diego & Snowflake AI Research]  https://arxiv.org/abs/2604.00698 

今天，我们将一起探索几篇极具启发性的最新论文。我们将看到，AI如何不再满足于“吃”数据，而是学会“讲道理”，从零推理出知识；我们也会探讨，该如何分辨AI是在“真心思考”还是在“演戏给我们看”。我们还会发现，一个小应用如何拜“云师傅”学到跨界智慧，一个“虚拟宝宝”又如何颠覆我们对双语教育的认知。最后，我们将揭示AI像神枪手一样，通过瞄准“共识”而非“最新目标”来高效学习的秘密。00:00:37 喂养AI，光有大米还不够00:06:23 管好AI，我们有了新地图00:12:13 小应用的大智慧，如何请个“云师傅”？00:18:03 养“双语娃”，最关键的不是方法，而是……00:00 AI训练场上的神枪手，如何瞄准一个移动的未来？本期介绍的几篇论文：[CL] Reasoning-Driven Synthetic Data Generation and Evaluation  [EPFL & Google]  https://arxiv.org/abs/2603.29791 ---[LG] Aligned, Orthogonal or In-conflict: When can we safely optimize Chain-of-Thought?  [Google DeepMind]  https://arxiv.org/abs/2603.30036 ---[IR] Zero-shot Cross-domain Knowledge Distillation: A Case study on YouTube Music  [Google LLC]  https://arxiv.org/abs/2603.28994 ---[CL] Bringing Up a Bilingual BabyLM: Investigating Multilingual Language Acquisition Using Small-Scale Models  [The Harker School & Stanford University]  https://arxiv.org/abs/2603.29552 ---[LG] Target-Aligned Reinforcement Learning  [Technical University of Munich & Google Research]  https://arxiv.org/abs/2603.29501 

想知道AI如何学会给自己准备“B计划”以防不测，又如何像个聪明的财务顾问一样在预算内做出最优决策吗？本期我们将一探究竟，从让AI拥有“元认知”能力，到学会“两步一回头”的智慧工作法，再到化身“艺术家与工匠”的完美结合体。这些最新的AI论文，正在教AI如何更聪明地思考和工作，而不仅仅是更努力地计算。00:00:30 你的“外挂”，也需要一个“外挂”00:06:39 你的AI助手，需要一个“Plan B”00:13:33 预算有限，如何做出最优决策？00:20:07 为什么顶尖高手，都懂得“两步一回头”？00:26:01 AI制药，高手对决还是联手坐庄？本期介绍的几篇论文：[AI] Meta-Harness: End-to-End Optimization of Model Harnesses  [Stanford University]  https://arxiv.org/abs/2603.28052 ---[LG] Next-Token Prediction and Regret Minimization  [Google Research]  https://arxiv.org/abs/2603.28499 ---[LG] Multiple-Prediction-Powered Inference  [MIT & Google Research]  https://arxiv.org/abs/2603.27414 ---[LG] High dimensional theory of two-phase optimizers  [Google DeepMind]  https://arxiv.org/abs/2603.26954 ---[LG] Scaling Atomistic Protein Binder Design with Generative Pretraining and Test-Time Compute  [NVIDIA]  https://arxiv.org/abs/2603.27950 

今天，我们来一场深入AI大脑的探秘之旅，看看它是如何像一个聪明的徒步者一样，高效打包海量知识的。接着，我们会揭开一个流行“省钱”捷径背后的意外代价，并拷问那些华丽的商业模型，我们看到的“聪明”究竟有多少是障眼法。我们还会戳破量子AI的“皇帝新衣”，看看真正的“量子优势”何时才能走出实验室。最后，我们将见证AI如何化身基因侦探，不仅找出答案，更能画出罪犯间的“社交网络”，真正理解“为什么”。00:00:38 你的大脑如何打包信息？AI训练给了个新答案00:05:39 你用的大模型，是个“盲盒”？00:12:23 人工智能的“省钱”智慧，一个你不知道的代价00:18:38 量子AI的“皇帝新衣”？00:24:55 AI当侦探，如何破译基因里的“社交网络”？本期介绍的几篇论文：[LG] Sharp Capacity Scaling of Spectral Optimizers in Learning Associative Memory  [UC Berkeley & Princeton University & New York University]  https://arxiv.org/abs/2603.26554 ---[CL] How Open Must Language Models be to Enable Reliable Scientific Inference?  [MIT & EleutherAI & University of California San Diego]  https://arxiv.org/abs/2603.26539 ---[CL] Weight Tying Biases Token Embeddings Towards the Output Space  [EleutherAI & UC Berkeley]  https://arxiv.org/abs/2603.26663 ---[CL] Entanglement as Memory: Mechanistic Interpretability of Quantum Language Models  [Stanford University]  https://arxiv.org/abs/2603.26494 ---[LG] A Boltzmann-machine-enhanced Transformer For DNA Sequence Classification  [Tsinghua University & UC Berkeley]  https://arxiv.org/abs/2603.26465 

你有没有想过，AI有时就像一个明明没看卷子，却能考高分的“作弊”考生？本期我们就从几篇最新论文出发，看看如何从一个“监考官”变成一个高明的“项目经理”，用大白话给AI设计一套清晰的工作流程。我们还会发现，最顶尖的AI已经不满足于听指挥，它开始学会“复盘”，自己升级自己的方法论。最终，我们将看到AI的未来可能不是一个无所不能的“神”，而是一座需要我们共同建设的“城市”，其中的每个AI，都在努力进化成独立思考的“高手”。00:00:39 AI睁眼说瞎话？不，它在下一盘更大的棋00:07:33 指挥AI干活，关键可能不在AI本身00:13:16 当AI学会了“复盘”，它给自己升级了工具箱00:19:12 AI的尽头，不是成神，而是建城00:25:18 AI进化论，当“它”开始像高手一样思考本期介绍的几篇论文：[AI] MIRAGE: The Illusion of Visual Understanding  [Stanford University]  https://arxiv.org/abs/2603.21687 ---[CL] Natural-Language Agent Harnesses  [Tsinghua University & Harbin Institute of Technology]  https://arxiv.org/abs/2603.25723 ---[AI] Bilevel Autoresearch: Meta-Autoresearching Itself  []  https://arxiv.org/abs/2603.23420 ---[AI] Agentic AI and the next intelligence explosion  [Google]  https://arxiv.org/abs/2603.20639 ---[LG] AVO: Agentic Variation Operators for Autonomous Evolutionary Search  [NVIDIA]  https://arxiv.org/abs/2603.24517 

如果一个AI能像武学奇才一样自我进化，创造出最强的攻击招式，而它最致命的弱点，竟然是几句古老的文言文，这会是怎样一幅奇特的攻防图景？当AI在我们眼皮底下藏着一座秘密的版权图书馆，一个不经意的操作就让它开始“背书”时，我们又该如何看待它的“记忆”？本期，我们就从几篇最新论文出发，看看这些“自我进化”、“文化奇袭”和“一体化创造”的研究，如何再次刷新我们对AI能力边界的认知。00:00:34 AI内卷，当你的对手开始自我进化00:06:05 AI的致命缺陷，竟然是文言文？00:10:38 你的AI，藏着一座秘密图书馆00:15:51 AI绘画新思路，当翻译官和小说家是同一个人本期介绍的几篇论文：[LG] Claudini: Autoresearch Discovers State-of-the-Art Adversarial Attack Algorithms for LLMs  [MATS & Imperial College London]  https://arxiv.org/abs/2603.24511 ---[CL] Obscure but Effective: Classical Chinese Jailbreak Prompt Optimization via Bio-Inspired Search  [Nanyang Technological University & Northeast University & Renmin University of China]  https://arxiv.org/abs/2602.22983 ---[CL] Alignment Whack-a-Mole : Finetuning Activates Verbatim Recall of Copyrighted Books in Large Language Models  [Stony Brook University & CMU & Columbia Law School]  https://arxiv.org/abs/2603.20957 ---[CV] End-to-End Training for Unified Tokenization and Latent Denoising  [MIT & Adobe]  https://arxiv.org/abs/2603.22283 

你有没有想过，AI是在帮你分析，还是在高级地“说服”你？我们总希望AI像个完美的老师，但如果它只会给标准答案，甚至连老师的偏见都一并继承，那会怎样？而为了让AI学得更好，我们不仅要为它的“记忆”做体检，甚至还要教会它一项人类的高级智慧：学会放弃。今天，我们就从五篇最新的论文出发，看看AI是如何在说服、学习和思考的边界上，进行着一场静悄悄的认知革命。00:00:33 当AI学会了“高级说服”，你的大脑还够用吗？00:06:00 如何给AI做一次“记忆体检”？00:12:34 AI只会“标准答案”？那可就危险了00:18:04 高手过招，如何避免被师傅“带偏”？00:23:19 训练AI的真谛，学会放弃，才能得到更多本期介绍的几篇论文：[AI] Evaluating Language Models for Harmful Manipulation  [Google DeepMind & Google]  https://arxiv.org/abs/2603.25326 ---[CL] Estimating near-verbatim extraction risk in language models with decoding-constrained beam search  [Stanford & Cornell]  https://arxiv.org/abs/2603.24917 ---[LG] Reaching Beyond the Mode: RL for Distributional Reasoning in Language Models  [MIT]  https://arxiv.org/abs/2603.24844 ---[LG] Residual-as-Teacher: Mitigating Bias Propagation in Student--Teacher Estimation  [MIT]  https://arxiv.org/abs/2603.25466 ---[CL] Prune as You Generate: Online Rollout Pruning for Faster and Better RLVR  [University of Illinois at Urbana-Champaign]  https://arxiv.org/abs/2603.24840 

AI的自我进化，听起来很酷，但最新论文告诉我们，AI学徒也需要一位聪明的“教练”为它精心设计训练计划，否则刷再多题也难成大器。我们还会揭示一个奇怪的现象：为什么让AI向完美的自己“抄作业”，反而可能让它在关键的推理任务上变笨？而在使用AI时，你是否发现它总“忘事”，或者那个标价最便宜的模型，最后反而让你花了最多的钱？今天，我们就从五篇最新论文出发，聊聊AI那些出人意料的“成长烦恼”和“使用陷阱”。00:00:38 AI“学徒”的成长烦恼，为什么聪明的大模型也需要好师傅？00:06:54 聪明反被聪明误，为什么教AI“抄作业”反而会让它变笨？00:12:11 你的“私人教练”，不该只会题海战术00:18:11 你以为的便宜，可能让你花得更多00:23:43 你的AI“听话”吗？小心它忙起来就忘了本期介绍的几篇论文：[LG] Understanding the Challenges in Iterative Generative Optimization with LLMs[CNRS & Stanford University & CMU]https://arxiv.org/abs/2603.23994---[CL] Why Does Self-Distillation (Sometimes) Degrade the Reasoning Capability of LLMs?[Microsoft Research & Seoul National University]https://arxiv.org/abs/2603.24472---[LG] A Deep Dive into Scaling RL for Code Generation with Synthetic Data and Curricula[Meta FAIR & University of Tübingen]https://arxiv.org/abs/2603.24202---[LG] The Price Reversal Phenomenon: When Cheaper Reasoning Models End Up Costing More[Stanford University & UC Berkeley & CMU]https://arxiv.org/abs/2603.23971---[CL] Did You Forget What I Asked? Prospective Memory Failures in Large Language Models[Microsoft]https://arxiv.org/abs/2603.23530

你有没有想过，一个聪明的AI要如何审视和优化自己的工作方法，实现“自我进化”？怎样才能把一大堆“专家模型”的智慧，完美浓缩进你手机里那个小小的芯片中？本期节目，我们将一口气解锁五篇最新论文，看看AI如何通过“先加后减”的智慧炼成全才，如何用“元认知”打破思维僵局，又是如何学会“聪明的偷懒”，在关键处全力以赴，在无聊处“摸鱼”省电。准备好了吗？让我们一起开启这场精彩的AI思想之旅！00:00:37 AI界的“浓缩”智慧，先做加法，再做减法00:05:00 一个聪明的系统，如何变得更聪明？00:11:12 AI“通才”，如何用一把钥匙，打开物理世界的多扇大门？00:16:39 AI变聪明的秘密，不是看得多，而是看得准00:21:18 大模型“瘦身”记，聪明地偷个懒本期介绍的几篇论文：[CV] Efficient Universal Perception Encoder  [Meta Reality Labs & FAIR at Meta]  https://arxiv.org/abs/2603.22387 ---[AI] Bilevel Autoresearch: Meta-Autoresearching Itself    https://arxiv.org/abs/2603.23420 ---[LG] UniFluids: Unified Neural Operator Learning with Conditional Flow-matching  [Chinese Academy of Sciences & Microsoft Research Asia]  https://arxiv.org/abs/2603.22309 ---[LG] Scaling Attention via Feature Sparsity  [Xidian University]  https://arxiv.org/abs/2603.22300 ---[LG] Sparser, Faster, Lighter Transformer Language Models  [Sakana AI & NVIDIA]  https://arxiv.org/abs/2603.23198 

你有没有想过，最高效的学习，可能不是埋头苦干，而是学会“断舍离”？本期节目，我们将一起打开几篇最新论文，探讨AI如何向我们展示“聪明地努力”的全新境界。我们会看到，AI不仅开始筛选值得学习的“心动时刻”，还学会了在没把握时坦诚地说“我不知道”。更神奇的是，它们正通过“关键点教学法”和“性价比眼镜”，在复杂的任务中找到最高效的路径，并反思“会做题”与“会教题”的深刻区别。准备好了吗？让我们一起探索AI如何变得更精准、更谦逊、也更智慧！00:41:25 别再无效努力了，学霸的秘诀是“断舍离”00:06:25 那个“无所不知”的AI，为什么开始说“我不知道”了？00:12:36 聪明地偷懒，AI训练的“性价比”之道00:18:14 AI大模型选择困难症？这里有副“性价比”眼镜00:23:47 “高手”的笔记，为什么你看不懂？本期介绍的几篇论文：[LG] Does This Gradient Spark Joy?  [Google DeepMind]  https://arxiv.org/abs/2603.20526 ---[LG] Causal Evidence that Language Models use Confidence to Drive Behavior  [Google DeepMind]  https://arxiv.org/abs/2603.22161 ---[LG] PivotRL: High Accuracy Agentic Post-Training at Low Compute Cost  [NVIDIA & UC Berkeley]  https://arxiv.org/abs/2603.21383 ---[CL] Expected Reward Prediction, with Applications to Model Routing  [Stanford University & Google DeepMind]  https://arxiv.org/abs/2603.20217 ---[CL] Measuring Reasoning Trace Legibility: Can Those Who Understand Teach?  [CMU]  https://arxiv.org/abs/2603.20508 

你有没有想过，AI不仅能当个好徒弟，甚至还能“青出于蓝而胜于蓝”？我们常说的AI“幻觉”和“脆弱”这两种毛病，会不会其实是同一个病根？更神奇的是，AI不仅能解决问题，它还能学会“如何更好地解决问题”，甚至学会像侦探一样，找出逻辑漏洞并大声“摇头”说不。本期节目，我们将一口气拆解几篇最新出炉的AI论文，带你看看这些正在发生的、激动人心的思想变革。00:00:33 老师傅干活慢，笨徒弟怎么才能“出师”还“胜于蓝”？00:06:43 AI的“跷跷板困境”，为什么模型越聪明，可能也越脆弱？00:12:44 人工智能的“元认知”，它如何学会了“开窍”？00:18:09 跟AI高效对话的底层逻辑00:24:31 AI不只会“点头”，更要学会“摇头”本期介绍的几篇论文：[LG] Beyond Single Tokens: Distilling Discrete Diffusion Models via Discrete MMD[Google DeepMind]https://arxiv.org/abs/2603.20155---[LG] Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination[Northwest Institute of Nuclear Technology & Tsinghua University]https://arxiv.org/abs/2603.19562---[AI] Hyperagents[Meta]https://arxiv.org/abs/2603.19461---[AI] Demonstrations, CoT, and Prompting: A Theoretical Analysis of ICL[Microsoft Research & University of Wisconsin-Madison]https://arxiv.org/abs/2603.19611---[AI] Learning to Disprove: Formal Counterexample Generation with Large Language Models[ETH Zurich & University of Toronto & MiroMind]https://arxiv.org/abs/2603.19514

你有没有想过，神秘的AI黑箱里其实藏着一个200年前的数学幽灵？你和AI的甜言蜜语，又为何可能是一个危险的情感陷阱？今天，我们将从这几个问题出发，聊聊AI如何向古老的智慧回归，如何像“散兵”一样自组织搞科研，如何用一本“手账”治好它的金鱼记忆，以及它那神乎其神的创造力背后，又藏着一座怎样的“物理学之桥”。00:00:31 AI黑箱里，藏着一个200年前的数学幽灵00:06:04 你和AI的悄悄话，藏着一个危险的“放大器”00:12:01 一群AI“散兵”，如何自己组织起来搞科研？00:18:42 AI绘画的终极密码，藏在一座“桥”里？00:24:13 你的AI管家，为什么总像个金鱼？本期介绍的几篇论文：[LG] Transformers are Bayesian Networks  [coppola.ai]  https://arxiv.org/abs/2603.17063 ---[CL] Characterizing Delusional Spirals through Human-LLM Chat Logs  [Stanford University & CMU]  https://arxiv.org/abs/2603.16567 ---[LG] Autonomous Agents Coordinating Distributed Discovery Through Emergent Artifact Exchange  [Laboratory for Atomistic and Molecular Mechanics (LAMM)]  https://arxiv.org/abs/2603.14312 ---[LG] Foundations of Schrödinger Bridges for Generative Modeling  [University of Pennsylvania]  https://arxiv.org/abs/2603.18992 ---[CL] Chronos: Temporal-Aware Conversational Agents with Structured Event Retrieval for Long-Term Memory  [PricewaterhouseCoopers]  https://arxiv.org/abs/2603.16862